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
- Codeforces Round #418 (Div. 2) A
Description A few years ago, Hitagi encountered a giant crab, who stole the whole of her body weight ...
- CentOS6.5下中文输入法的相关问题
问题.点击Input Method Preferences没反应. 首先执行 yum install "@Chinese Support" yum install -yibus-t ...
- JVM 内存机制理解【转自http://www.cnblogs.com/dingyingsi/p/3760447.html】
我们知道,计算机CPU和内存的交互是最频繁的,内存是我们的高速缓存区,用户磁盘和CPU的交互,而CPU运转速度越来越快,磁盘远远跟不上CPU的读写速度,才设计了内存,用户缓冲用户IO等待导致CPU的等 ...
- P2956 [USACO09OCT]机器人犁田The Robot Plow
题目描述 Farmer John has purchased a new robotic plow in order to relieve him from the drudgery of plowi ...
- JDK使用最多的模式之一--观察者模式
公司接到新任务,需要做一个气象监测应用.该应用将实现三个界面:当前气象状态,气象统计以及气象预报.应用从WeatherObject对象中获取所需数据:温度,湿度,气压.当然,为了可扩展性,该应用同时也 ...
- 洛谷P4013 数字梯形问题(费用流)
题意 $N$行的矩阵,第一行有$M$个元素,第$i$行有$M + i - 1$个元素 问在三个规则下怎么取使得权值最大 Sol 我只会第一问qwq.. 因为有数量的限制,考虑拆点建图,把每个点拆为$a ...
- SQLite – LIMIT子句
SQLite - LIMIT子句 SQLite LIMIT子句是用来限制SELECT语句返回的数据量. 语法: SELECT语句.LIMIT子句的基本语法如下: SELECT column1, col ...
- 恩智浦iMX6Q核心板/飞思卡尔Cortex-A9高稳定性低功耗开发板
iMX6Q核心板-商业级 iMX6Q-Plus核心板 iMX6DL核心板-商业级 iMX6Q核心板-工业级 iMX6核心板区别: 名称 主频 内存 存储 SATA接口 运行温度 引角扩展 iMX6Q核 ...
- Solidity 智能合约开发
需要专用浏览器或部署节点支持. Solidity (中文:固态,固体)是一种语法与Javascript相似的高级语言,它为Ethereum虚拟机(EVM)编译代码而设计. Solidity是静态类型的 ...
- 汇编4OPCODE
opcode原理 前缀域 切换操作数大小前缀 : 066h 可以将32位的操作数切换成16位的操作数 B8 00010000 | MOV EAX,0x100 66:B8 0001 | MOV ...