Python+selenium爬取智联招聘的职位信息

整个爬虫是基于selenium和Python来运行的，运行需要的包

mysql,matplotlib,selenium

需要安装selenium火狐浏览器驱动，百度的搜寻。

整个爬虫是模块化组织的，不同功能的函数和类放在不同文件中，最后将需要配置的常量放在constant.py中

项目地址：github(点击直达）

整个爬虫的主线程是Main.py文件，在设置好constant.py后就可以直接运行Main.py

从主线分析

Main.py

 # /bin/python
 # author:leozhao
 # author@email: dhzzy88@.com

 """
 这是整个爬虫系统的主程序
 """
 import numpy as np

 import dataFactory
 import plotpy
 import sqlDeal
 import zhilian
 from Constant import JOB_KEY

 #
 # 启动爬虫程序
 zhilian.spidefmain(JOB_KEY)

 """
  爬取数据结束后对数据可视化处理
 """
 # 从数据库读取爬取的数据
 # 先得到的是元组name,salray，demand,welfare

 value = sqlDeal.sqlselect()
 # 工资上限，下限，平均值
 updata = np.array([], dtype=np.int)
 downdata = np.array([], dtype=np.int)
 average = np.array([], dtype=np.int)
 for item in value:
     salray = dataFactory.SarayToInt(item[])
     salray.slove()
     updata = np.append(updata, salray.up)
     downdata = np.append(downdata, salray.down)
     average = np.append(average, (salray.up + salray.down) / )

 # 工资上下限
 average.sort()

 # 匹配城市信息 暂时还未实现

 # 统计信息
 # 两种图形都加载出来 方便查看
 plotpy.plotl(average)
 plotpy.plots(average)

 print(average, average.sum())
 print("平均工资:", average.sum() / len(average))
 print("最高：", average.max())
 print("最低", average.min())
 print("职位数", len(average))

 # 画图

基本是以爬虫整个执行流程来组织的

从功能文件中导入zhilian.py

 # /bin/python
 # author:leo
 # author@email : dhzzy88@163.com
 from selenium import webdriver
 from selenium.webdriver.common.by import By
 from selenium.webdriver.common.keys import Keys
 from selenium.webdriver.support import expected_conditions as EC
 from selenium.webdriver.support.ui import WebDriverWait

 import sqlDeal
 from Constant import PAGE_NUMBER

 def init(key="JAVA"):
     # 智联招聘的主页搜索关键字，初始化到采集页面
     url = "https://www.zhaopin.com/"
     opt = webdriver.FirefoxOptions()
     opt.set_headless()           #设置无头浏览器模式
     driver = webdriver.Firefox(options=opt)
     driver.get(url)
     driver.find_element_by_class_name("zp-search-input").send_keys(key)
     # driver.find_element_by_class_name(".zp-search-btn zp-blue-button").click()
     driver.find_element_by_class_name("zp-search-input").send_keys(Keys.ENTER)
     import time
     time.sleep(2)
     all = driver.window_handles
     driver.switch_to_window(all[1])
     url = driver.current_url
     return url

 class ZhiLian:

     def __init__(self, key='JAVA'):
         # 默认key:JAVA
         indexurl = init(key)
         self.url = indexurl
         self.opt = webdriver.FirefoxOptions()
         self.opt.set_headless()
         self.driver = webdriver.Firefox(options=self.opt)
         self.driver.get(self.url)

     def job_info(self):

         # 提取工作信息     可以把详情页面加载出来
         job_names = self.driver.find_elements_by_class_name("job_title")
         job_sarays = self.driver.find_elements_by_class_name("job_saray")
         job_demands = self.driver.find_elements_by_class_name("job_demand")
         job_welfares = self.driver.find_elements_by_class_name("job_welfare")
         for job_name, job_saray, job_demand, job_welfare in zip(job_names, job_sarays, job_demands, job_welfares):
             sqlDeal.sqldeal(str(job_name.text), str(job_saray.text), str(job_demand.text), str(job_welfare.text))

         # 等待页面加载
         print("等待页面加载")
         WebDriverWait(self.driver, 10, ).until(
             EC.presence_of_element_located((By.CLASS_NAME, "job_title"))
         )

     def page_next(self):
         try:
             self.driver.find_elements_by_class_name("btn btn-pager").click()
         except:
             return None
         self.url = self.driver.current_url
         return self.driver.current_url

 def spidefmain(key="JAVA"):
     ZHi = ZhiLian(key)
     ZHi.job_info()
     # 设定一个爬取的页数
     page_count = 0
     while True:
         ZHi.job_info()
         ZHi.job_info()
         page_count += 1
         if page_count == PAGE_NUMBER:
             break
     # 采集结束后把对象清除
     del ZHi

 if __name__ == '__main__':
 spidefmain("python")

这是调用selenium模拟浏览器加载动态页面的程序，整个爬虫的核心都是围绕这个文件来进行的。

每爬取一页信息以后就把解析的数据存储到数据库里，数据库处理函数的定义放在另外一个文件里，这里只处理加载和提取信息的逻辑

将数据存入本机的mysql数据库

 # /bin/python
 # author:leozhao
 # author@email :dhzzy88@163.com

 import mysql.connector

 from Constant import SELECT
 from Constant import SQL_USER
 from Constant import database
 from Constant import password

 def sqldeal(job_name, job_salray, job_demand, job_welfare):
     conn = mysql.connector.connect(user=SQL_USER, password=password, database=database, use_unicode=True)
     cursor = conn.cursor()
     infostring = "insert into zhilian value('%s','%s','%s','%s')" % (
         job_name, job_salray, job_demand, job_welfare) + ";"
     cursor.execute(infostring)
     conn.commit()
     conn.close()

 def sqlselect():
     conn = mysql.connector.connect(user=SQL_USER, password=password, database=database, use_unicode=True)
     print("连接数据库读取信息")
     cursor = conn.cursor()

     cursor.execute(SELECT)
     values = cursor.fetchall()
     conn.commit()
     conn.close()
     return values

两个函数

第一个负责存入数据

第二个负责读取数据

读取数据以后在另外的类中处理得到的数据

例如10K-20K这样的信息，为可视化做准备

# /bin/python
# author:leozhao
# author@email : dhzzy88@163.com

import matplotlib.pyplot as plt
import numpy as np

from Constant import JOB_KEY

# 线型图

def plotl(dta):
    dta.sort()
    print("dta", [dta])
    num = len(dta)
    x = np.linspace(0, num - 1, num)
    print([int(da) for da in dta])
    print(len(dta))
    plt.figure()
    line = plt.plot(x, [sum(dta) / num for i in range(num)], dta)

    # plt.xlim(0, 250)
    plt.title(JOB_KEY + 'Job_Info')
    plt.xlabel(JOB_KEY + 'Job_Salray')
    plt.ylabel('JobNumbers')
    plt.show()

# 条形图

def plots(dta):
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.hist(dta, bins=15)
    plt.title(JOB_KEY + 'Job_Info')
    plt.xlabel(JOB_KEY + 'Job_Salray')
    plt.ylabel('JobNumbers')
plt.show()

最后将得到的数据放入在画图程序中画图

最后计算相关数据

在爬取过程中及时将数据存入数据库，减少虚拟机内存的占比。

下面放上数据结果

上面是金融的工作的薪酬调查

下面是材料科学的薪酬调查

蓝色为平均工资。

注意在平均线以上的基本为博士和硕士的学历要求。

具体的数据处理没时间弄，有时间再做。