基于selenium爬取拉勾网职位信息
1.selenium
Selenium 本是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。而这一特性为爬虫开发提供了一个选择及方向,由于其本身依赖于浏览器,所以使用Python的selenium库的前提是:需要下载相应的浏览器驱动程序,这里附上Chromedriver的下载地址:chromedriver;(64位的向下兼容,)
2.code:
说明:
1.多线程爬取(producer&consumer modal);
2.结果集的存取文件类型为csv格式;
3.大三党一枚,代码噪点多提出来哦,相互学习。
#coding:utf-8 from selenium import webdriver
from lxml import etree
import csv
import time
import re
import threading
import queue
from selenium.webdriver.common.by import By
import random POSITIONS_INFO = queue.Queue()
event = threading.Event() def write_to_csv(file):
with open(file, 'a', encoding='utf-8', newline="") as f:
writer = csv.DictWriter(f, ['name', 'salary', 'addr', 'experience', 'degree', 'type', 'advantage', 'detail'])
writer.writeheader()
while True:
if POSITIONS_INFO.empty():
event.wait()
writer.writerow(POSITIONS_INFO.get()) class LagouSpider(threading.Thread):
driver_path = r'D:\Pythonlearning\chromedriver.exe'
options = webdriver.ChromeOptions()
options.add_argument('--proxy-server="http://117.63.87.177:9999"')
def __init__(self, kw, *args, **kwargs):
super(LagouSpider, self).__init__(*args, **kwargs)
self.driver = webdriver.Chrome(executable_path=self.driver_path)
self.url = r'https://www.lagou.com/jobs/list_%s?labelWords=&fromSearch=true&suginput=' % kw def run(self):
self.driver.get(self.url)
cur_page_source = self.driver.page_source
# 总页数
max_page_num = int(self.driver.find_element(By.XPATH, "//span[contains(@hidefocus, 'hidefocus')][last()-1]").text)
for page in range(1, max_page_num):
self.parse_cur_page(cur_page_source)
# 爬取当前页, 点击下一页进行抓取
next_page_tag = self.driver.find_element(By.CSS_SELECTOR, "div.pager_container .pager_next")
next_page_tag.click() # 防止被识别, 设置随机等待秒数
rand_seconds = random.choice([2,3])+random.random()
time.sleep(rand_seconds)
cur_page_source = self.driver.page_source def parse_cur_page(self, cur_page_source):
"""解析结果页,解析出所有的待爬取职位信息页地址"""
html = etree.HTML(cur_page_source)
info_links = html.xpath("//a[contains(@class, 'position_link')]")
for link in info_links:
# print(link.get('href'))
link_addr = link.get('href', None)
self.request_info_page(link_addr) def request_info_page(self, page_url:str):
"""获取职位详情页"""
js_code = "window.open('%s')" % page_url
self.driver.execute_script(js_code)
# 解析当前信息页
cur_handles = self.driver.window_handles
self.driver.switch_to_window(cur_handles[-1])
self.parse_position_page(self.driver.page_source)
# 解析完成, 关闭当前标签卡并切换回原窗口
self.driver.close()
self.driver.switch_to_window(cur_handles[0]) def parse_position_page(self, html):
# print(html)
"""解析职位详情页"""
list_xpath = {
"job_name_xpath" : "//div[@class='job-name']/span[@class='name']/text()",
"job_salary_xpath" : "//dd[contains(@class, 'job_request')]//span[@class='salary']/text()",
"job_addr_xpath" : "//dd[contains(@class, 'job_request')]//span[2]/text()",
"job_experience_xpath" :"//dd[contains(@class, 'job_request')]//span[3]/text()",
"job_degree_xpath" : "//dd[contains(@class, 'job_request')]//span[4]/text()",
"job_type_xpath" : "//dd[contains(@class, 'job_request')]//span[5]/text()",
"job_advantage_xpath": "//dd[contains(@class, 'job-advantage')]/p/text()",
"job_detail_xpath": "//div[@class='job-detail']/*/text()",
} key_name = ['name', 'salary', 'addr', 'experience', 'degree', 'type', 'advantage', 'detail'] cur_position_info = dict()
cur_html = etree.HTML(html) for index, xpath in enumerate(list_xpath.values()):
cur_val = cur_html.xpath(xpath)
if len(cur_val) == 1:
temp_value = re.sub(r'[\s/<.*?>\\]', "", cur_val[0].strip()) else:
temp_value = re.sub(r'[\s/<.*?>\\\]\[]', "", "".join(cur_val))
# 去掉\xa0( )
temp_value = "".join(temp_value.split())
temp_key = key_name[index]
cur_position_info[temp_key] = temp_value print(cur_position_info)
# {'name': '高级java开发工程师', 'salary': '20k-35k', 'addr': '上海', 'experience': '经验5-10年', 'degree': '大专及以上', 'type': '全职', 'advantage': '电商微服务', 'detail': '任职资格:1、计算机或相关专业本科以上学历,具有4年以上JAVA开发经验;2、熟练掌握数据结构、多线程编程,掌握常用的设计模式;熟悉JVM,包括内存模型、类加载机制以及性能优化;3、熟练掌握Java语言,熟悉Spring、SpringMVC、mybatis、springboot等框架;4、掌握数据库设计,熟练使用数据库如Mysql、Mongodb、Redis等;5、熟悉linux常用的shell命令;6、熟悉rpc开发,有过分布式开发经验者优先;7、具有很强的分析复杂问题和解决复杂问题的能力,有强烈的责任心和使命感,良好的沟通表达能力和团队协作能力。8、熟悉常见的中间件、分布式解决方案及其原理:分布式缓存、SOA、消息中间件,负载均衡、连接池等;9、具有一定的项目规划和决策能力,善于捕捉业务需求、架构设计中存在的问题,并给出有效的解决措施和方法;'}
POSITIONS_INFO.put(cur_position_info)
# gCondition.notify_all()
event.set() def main():
spider = LagouSpider('java')
spider.start()
writer = threading.Thread(target=write_to_csv, args=['lagou.csv',])
writer.start() if __name__ == '__main__':
main()
基于selenium爬取拉勾网职位信息的更多相关文章
- 【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)
上次挖了一个坑,今天终于填上了,还记得之前我们做的拉勾爬虫吗?那时我们实现了一页的爬取,今天让我们再接再厉,实现多页爬取,顺便实现职位和公司的关键词搜索功能. 之前的内容就不再介绍了,不熟悉的请一定要 ...
- node.js爬虫爬取拉勾网职位信息
简介 用node.js写了一个简单的小爬虫,用来爬取拉勾网上的招聘信息,共爬取了北京.上海.广州.深圳.杭州.西安.成都7个城市的数据,分别以前端.PHP.java.c++.python.Androi ...
- python爬虫(三) 用request爬取拉勾网职位信息
request.Request类 如果想要在请求的时候添加一个请求头(增加请求头的原因是,如果不加请求头,那么在我们爬取得时候,可能会被限制),那么就必须使用request.Request类来实现,比 ...
- python爬取拉勾网职位信息-python相关职位
import requestsimport mathimport pandas as pdimport timefrom lxml import etree url = 'https://www.la ...
- 【实战】用request爬取拉勾网职位信息
from urllib import request import urllib import ssl import json url = 'https://www.lagou.com/jobs/po ...
- 爬取拉勾网招聘信息并使用xlwt存入Excel
xlwt 1.3.0 xlwt 文档 xlrd 1.1.0 python操作excel之xlrd 1.Python模块介绍 - xlwt ,什么是xlwt? Python语言中,写入Excel文件的扩 ...
- scrapy抓取拉勾网职位信息(一)——scrapy初识及lagou爬虫项目建立
本次以scrapy抓取拉勾网职位信息作为scrapy学习的一个实战演练 python版本:3.7.1 框架:scrapy(pip直接安装可能会报错,如果是vc++环境不满足,建议直接安装一个visua ...
- selenium模块使用详解、打码平台使用、xpath使用、使用selenium爬取京东商品信息、scrapy框架介绍与安装
今日内容概要 selenium的使用 打码平台使用 xpath使用 爬取京东商品信息 scrapy 介绍和安装 内容详细 1.selenium模块的使用 # 之前咱们学requests,可以发送htt ...
- python-scrapy爬虫框架爬取拉勾网招聘信息
本文实例为爬取拉勾网上的python相关的职位信息, 这些信息在职位详情页上, 如职位名, 薪资, 公司名等等. 分析思路 分析查询结果页 在拉勾网搜索框中搜索'python'关键字, 在浏览器地址栏 ...
随机推荐
- 仅用递归函数操作逆序一个栈(Swift 4)
/// 取出栈底的数 func getAndRemoveLastElement(_ items: inout [Int]) -> Int { let value = items.remove(a ...
- Codeforces Round #395 (Div. 2) D
Description One of Timofey's birthday presents is a colourbook in a shape of an infinite plane. On t ...
- 1. Visio Web 形状 - 无法与 Web 服务器建立连接。请稍后重新进行搜索。处理方式
今天在Visio中使用“搜索形状”,发现不管搜什么,结果都是:Visio Web 形状 - 无法与 Web 服务器建立连接.请稍后重新进行搜索 具体解决方案如下:控制面板=>添加或删除程序=&g ...
- 131 Palindrome Partitioning 分割回文串
给定一个字符串 s,将 s 分割成一些子串,使每个子串都是回文串.返回 s 所有可能的分割方案.例如,给出 s = "aab",返回[ ["aa"," ...
- Backbone学习记录(2)
创建一个集合 1)new Backbone.Collection()方式 var user=new Backbone.Model({'name':'susan'}); var list=new Bac ...
- asp.net 线程批量导入数据,ajax获取执行状态
最近做了一个批量导入功能,长时间运行,没个反馈状态,很容易让人看了心急,产生各种臆想!为了解决心里障碍,写了这么个功能. 通过线程执行导入,并把正在执行的状态存入session,既共享执行状态,通过a ...
- 【转】javap -c命令详解
javap -c命令详解 一直在学习Java,碰到了很多问题,碰到了很多关于i++和++i的难题,以及最经典的String str = "abc" 共创建了几个对象的疑难杂症. 知 ...
- 【转】Java泛型方法
1. 定义泛型方法 (1) 如果你定义了一个泛型(类.接口),那么Java规定,你不能在所有的静态方法.静态初块等所有静态内容中使用泛型的类型参数.例如: public class A<T> ...
- [BZOJ2705][SDOI2012]Longge的问题 数学
题目链接:http://www.lydsy.com/JudgeOnline/problem.php?id=2705 首先分析得题目所求$gcd(i,N)$的取值只可能是$N$的因子,则有$$Ans=\ ...
- Web前端开发的四个阶段(小白必看)
第一阶段:HTML的学习 超文本标记语言(HyperText Mark-up Language 简称HTML)是一个网页的骨架,无论是静态网页还是动态网页,最终返回到浏览器端的都是HTML代码,浏览器 ...