21天打造分散式爬蟲-Selenium爬取拉鉤職位信息(六)

来源:https://www.cnblogs.com/derek1184405959/archive/2018/08/03/9416395.html
-Advertisement-
Play Games

6.1.爬取第一頁的職位信息 第一頁職位信息 6.2.爬取所有頁的職位信息 ...


6.1.爬取第一頁的職位信息

第一頁職位信息

from selenium import webdriver
from lxml import etree
import re
import time

class LagouSpider(object):
    def __init__(self):
        self.driver = webdriver.Chrome()
        #python職位
        self.url = 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput='
        self.position = []

    def run(self):
        self.driver.get(self.url)
        source = self.driver.page_source
        self.parse_list_page(source)

    def parse_list_page(self,source):
        html = etree.HTML(source)
        links = html.xpath("//a[@class='position_link']/@href")
        #每一頁的所有職位的詳情url
        for link in links:
            self.request_detail_page(link)
            time.sleep(1)

    def request_detail_page(self,url):
        self.driver.get(url)
        #獲取職位詳情頁的源代碼
        source = self.driver.page_source
        self.parse_detail_page(source)

    def parse_detail_page(self,source):
        html = etree.HTML(source)
        position_name = html.xpath("//span[@class='name']/text()")[0]
        job_request_spans = html.xpath("//dd[@class='job_request']//span")
        salary = job_request_spans[0].xpath('.//text()')[0].strip()
        city = job_request_spans[1].xpath('.//text()')[0].strip()
        city = re.sub(r"[\s/]","",city)
        work_years = job_request_spans[2].xpath('.//text()')[0].strip()
        work_years = re.sub(r"[\s/]","",work_years)
        education = job_request_spans[3].xpath('.//text()')[0].strip()
        education = re.sub(r"[\s/]","",education)
        desc = "".join(html.xpath("//dd[@class='job_bt']//text()")).strip()
        position = {
            'name':position_name,
            'salary':salary,
            'city': city,
            'work_years': work_years,
            'education': education,
            'desc': desc,
        }
        self.position.append(position)
        print(position)
        print('-'*200)

if __name__ == '__main__':
    spider = LagouSpider()
    spider.run()

6.2.爬取所有頁的職位信息

from selenium import webdriver
from lxml import etree
import re
import time
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By

class LagouSpider(object):
    def __init__(self):
        self.driver = webdriver.Chrome()
        #python職位
        self.url = 'https://www.lagou.com/jobs/list_python?city=%E5%8C%97%E4%BA%AC&cl=false&fromSearch=true&labelWords=&suginput='
        self.position = []

    def run(self):
        self.driver.get(self.url)
        while True:
            source = self.driver.page_source
            WebDriverWait(driver=self.driver,timeout=20).until(
                EC.presence_of_element_located((By.XPATH,"//div[@class='pager_container']/span[last()]"))
            )
            self.parse_list_page(source)
            #點“下一頁”
            next_btn = self.driver.find_element_by_xpath(
                "//div[@class='pager_container']/span[last()]")
            if "pager_next_disabled" in next_btn.get_attribute("class"):
                break
            else:
                next_btn.click()
            time.sleep(1)


    def parse_list_page(self,source):
        html = etree.HTML(source)
        links = html.xpath("//a[@class='position_link']/@href")
        #每一頁的所有職位的詳情url
        for link in links:
            self.request_detail_page(link)
            time.sleep(1)

    def request_detail_page(self,url):
        # self.driver.get(url)
        self.driver.execute_script("window.open('%s')"%url)
        self.driver.switch_to.window(self.driver.window_handles[1])

        WebDriverWait(driver=self.driver,timeout=20).until(
            EC.presence_of_element_located((By.XPATH,"//div[@class='job-name']/span[@class='name']"))
        )
        #獲取職位詳情頁的源代碼
        source = self.driver.page_source
        self.parse_detail_page(source)
        #關閉當前詳情頁,並且切換到列表頁
        self.driver.close()
        self.driver.switch_to.window(self.driver.window_handles[0])

    def parse_detail_page(self,source):
        html = etree.HTML(source)
        position_name = html.xpath("//span[@class='name']/text()")[0]
        job_request_spans = html.xpath("//dd[@class='job_request']//span")
        salary = job_request_spans[0].xpath('.//text()')[0].strip()
        city = job_request_spans[1].xpath('.//text()')[0].strip()
        city = re.sub(r"[\s/]","",city)
        work_years = job_request_spans[2].xpath('.//text()')[0].strip()
        work_years = re.sub(r"[\s/]","",work_years)
        education = job_request_spans[3].xpath('.//text()')[0].strip()
        education = re.sub(r"[\s/]","",education)
        desc = "".join(html.xpath("//dd[@class='job_bt']//text()")).strip()
        company_name = html.xpath("//h2[@class='fl']/text()")[0].strip()
        position = {
            'name':position_name,
            'company_name':company_name,
            'salary':salary,
            'city': city,
            'work_years': work_years,
            'education': education,
            'desc': desc,
        }
        self.position.append(position)
        print(position)
        print('-'*200)

if __name__ == '__main__':
    spider = LagouSpider()
    spider.run()

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 題意 $m \leqslant 500000$,題目打錯了 Sol 神仙題Orz 構造矩陣$B$,使得$B[b[i]][a[i]] = 1$ 那麼他的行列式的奇偶性也就對應了生成排列數列數量的奇偶性(定義) 刪除一個位置相當於去掉對答案的貢獻,也就是代數餘子式的值 代數餘子式可以由伴隨矩陣求出$A^ ...
  • 基本數據類型的載入和存儲 極客時間深入理解Java虛擬機讀後感,有錯誤還請指正 虛擬機中的Boolean類型 在Java語言規範中,boolean類型的值只有兩種可能,那就是"true"和"false". 但是這兩個符號是不能被Java虛擬機直接使用的. 在Java虛擬機規範中,boolean類型則 ...
  • 工廠方法 定義一個用於創建對象的介面,讓子類決定實例化哪一個類。FactoryMethod使一個類的實例化延遲到其子類。 定義一個用於創建對象的介面,讓子類決定實例化哪一個類。FactoryMethod使一個類的實例化延遲到其子類。 適用性 1.當一個類不知道它所必須創建的對象的類的時候。 2.當一 ...
  • 判斷一個整數是否是迴文數。迴文數是指正序(從左向右)和倒序(從右向左)讀都是一樣的整數。 示例 1: 示例 2: 示例 3: 進階: 你能不將整數轉為字元串來解決這個問題嗎? ...
  • 經過大半年的工作的經歷,我覺得作為一個IT工作者,學習一門編程語言是非常有必要的,所以還是撿起最初的夢想,開始吧Today!!! 本人小白,給個機會,多多關照。不喜勿噴,謝謝! 第一個程式:Hello word ! 附代碼: 執行方式: 1. MDdos中執行:python c:/pycc/Hell ...
  • 生成器 我們調用一個普通的Python函數時,一般是從函數的第一行代碼開始執行,結束於return語句、異常或者函數結束(可以看作隱式的返回None)。一旦函數將控制權交還給調用者,就意味著全部結束。函數中做的所有工作以及保存在局部變數中的數據都將丟失。再次調用這個函數時,一切都將從頭創建。 對於在 ...
  • [TOC] 程式安裝 首先,我們需要在本機下載安裝 "Visual Studio Installer" ,然後通過它來進行相應 Python 組件安裝,如下圖所示 這裡需要註意一點是,由於一些圖像化的 Package 是通過 來進行實現的,所以建議讀者安裝 Python本機開發工具 ,要不然到時候有 ...
  • 自從學習Java開始一直使用的是jdk1.8,聽同事說版本不符要報錯出什麼52的錯誤 周末測試一下。java.lang.UnsupportedClassVersionError Unsupported major.minor version 52.0 出現這個錯誤是編譯時使用的版本高於運行時的版本。 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...