一、抓取详细的职位描述信息
详情页分析
在详情页中，比较重要的就是职位描述和工作地址这两个
由于在页面代码中岗位职责和任职要求是在一个 div 中的，所以在抓的时候就不太好分，后续需要把这个连体婴儿，分开分析。
爬虫用到的库
使用的库有:
requestsBeautifulSoup4pymongo
Python 代码
"""@author: jtahstu@contact: root@@site: """# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport timefrom pymongo import MongoClientheaders = {'x-devtools-emulate-network-conditions-client-id': "5f2fc4da-c727-43c0-aad4-37fce8e3ff39",'upgrade-insecure-requests': "1",'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36",'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",'dnt': "1",'accept-encoding': "gzip, deflate",'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",'cookie': "__c=1501326829; lastCity=10100; __g=-; __l=r=https%3A%2F%.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.20.1.20.20; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502948718; __c=1501326829; lastCity=10100; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502954829; __l=r=https%3A%2F%.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.21.1.21.21",'cache-control': "no-cache",'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831"}conn = MongoClient('127.0.0.1', 27017)db = conn.iApp # 连接mydb数据库，没有则自动创建def init():items = db.jobs_php.find().sort('pid')for item in items:if 'detail' in item.keys(): # 在爬虫挂掉再此爬取时，跳过已爬取的行continuedetail_url = "/job_detail/%s.html?ka=search_list_1" % item['pid']print(detail_url)html = requests.get(detail_url, headers=headers)if html.status_code != 200: # 爬的太快网站返回403，这时等待解封吧print('status_code is %d' % html.status_code)breaksoup = BeautifulSoup(html.text, "html.parser")job = soup.select(".job-sec .text")if len(job) < 1:continueitem['detail'] = job[0].text.strip() # 职位描述location = soup.select(".job-sec .job-location")item['location'] = location[0].text.strip() # 工作地点item['updated_at'] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()) # 实时爬取时间res = save(item) # 保存数据print(res)time.sleep(40) # 停停停# 保存数据到 MongoDB 中def save(item):return db.jobs_php.update_one({"_id": item['_id']}, {"$set": item})if __name__ == "__main__":init()
代码 easy，初学者都能看懂。
二、数据清洗
2.1 校正发布日期
"time" : "发布于03月31日","time" : "发布于昨天","time" : "发布于11:31",
这里拿到的都是这种格式的，所以简单处理下
import datetimefrom pymongo import MongoClientdb = MongoClient('127.0.0.1', 27017).iAppdef update(data):return db.jobs_php.update_one({"_id": data['_id']}, {"$set": data})# 把时间校正过来def clear_time():items = db.jobs_php.find({})for item in items:if not item['time'].find('布于'):continueitem['time'] = item['time'].replace("发布于", "-")item['time'] = item['time'].replace("月", "-")item['time'] = item['time'].replace("日", "")if item['time'].find("昨天") > 0:item['time'] = str(datetime.date.today() - datetime.timedelta(days=1))elif item['time'].find(":") > 0:item['time'] = str(datetime.date.today())update(item)print('ok')
2.2 校正薪水以数字保存
'''"salary" : "5K-12K",#处理成下面的格式"salary" : {"low" : 5000,"high" : 12000,"avg" : 8500.0},'''# 薪水处理成数字，符合 xk-yk 的数据处理，不符合的跳过def clear_salary():items = db.jobs_lagou_php.find({})for item in items:if type(item['salary']) == type({}):continuesalary_list = item['salary'].lower().replace("k", "000").split("-")if len(salary_list) != 2:print(salary_list)continuetry:salary_list = [int(x) for x in salary_list]except:print(salary_list)continueitem['salary'] = {'low': salary_list[0],'high': salary_list[1],'avg': (salary_list[0] + salary_list[1]) / 2}update(item)print('ok')
这里在处理 Boss 直聘的数据时，比较简单正常，但是后续抓到拉勾网的数据，拉勾网的数据有些不太规范。比如有‘20k以上’这种描述
2.3 根据 工作经验年限 划分招聘等级
# 校正拉勾网工作年限描述，以 Boss直聘描述为准def update_lagou_workyear():items = db.jobs_lagou_php.find({})for item in items:if item['workYear'] == '应届毕业生':item['workYear'] = '应届生'elif item['workYear'] == '1年以下':item['workYear'] = '1年以内'elif item['workYear'] == '不限':item['workYear'] = '经验不限'update_lagou(item)print('ok')# 设置招聘的水平，分两次执行def set_level():items = db.jobs_zhipin_php.find({})# items = db.jobs_lagou_php.find({})for item in items:if item['workYear'] == '应届生':item['level'] = 1elif item['workYear'] == '1年以内':item['level'] = 2elif item['workYear'] == '1-3年':item['level'] = 3elif item['workYear'] == '3-5年':item['level'] = 4elif item['workYear'] == '5-':item['level'] = 5elif item['workYear'] == '以上':item['level'] = 6elif item['workYear'] == '经验不限':item['level'] = 10update(item)print('ok')
这里有点坑的就是，一般要求经验不限的岗位，需求基本都写在任职要求里了，所以为了统计的准确性，这个等级的数据，后面会被舍弃掉。
转载声明
作者：jtahstu
源自：/blog/scrapy_zhipin_detail.html
