职友集，搜索到全国上百家招聘网站的最新职位。
打开网址后，你会发现：这是职友集网站的地区企业排行榜，里面含有
本月人气企业榜 前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）
最佳口碑雇主 前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）
最多粉丝企业榜 前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）
最多评论企业榜 前10家公司的招聘信息（公司名称、职位、工作地点和招聘要求）
1、创建 职友网 项目 zhiyou
D:\USERDATA\python>scrapy startproject zhiyou
New Scrapy project 'zhiyou', using template directory 'c:\users\www1707\appdata\local\programs\python\python37\lib\site-packages\scrapy\templates\project', created in:
D:\USERDATA\python\zhiyou You can start your first spider with:
cd zhiyou
scrapy genspider example example.com D:\USERDATA\python>cd zhiyou D:\USERDATA\python\zhiyou>
2、创建爬虫文件 D:\USERDATA\python\zhiyou\zhiyou\spiders\zhiyou.py
import scrapy
import bs4
import re
import requests
import math
from ..items import ZhiyouItem class ZhiyouItemSpider(scrapy.Spider):
name = 'zhiyou'
allowed_domains = ['www.jobui.com']
start_urls = ['https://www.jobui.com/rank/company/'] def parse(self,response):
bs = bs4.BeautifulSoup(response.text,'html.parser')
datas = bs.find_all('a',href=re.compile('^/company/'))
for data in datas:
company_id = data['href']
company_url = 'https://www.jobui.com{}jobs/'.format(company_id)
yield scrapy.Request(company_url,callback=self.parse_company) def parse_company(self,response):
bs = bs4.BeautifulSoup(response.text,'html.parser')
try:
jobs = int(bs.find('p',class_='m-desc').text.split(' ')[1])
job_page = math.ceil(jobs / 15) + 1
company_url = str(response).split(' ')[1].replace('>','')
# for i in range(1,job_page):
for i in range(1,2):
job_url = '{}p{}'.format(company_url,i)
yield scrapy.Request(job_url,callback=self.parse_job)
except:
pass def parse_job(self,response):
bs = bs4.BeautifulSoup(response.text,'html.parser')
datas = bs.find_all('div',class_='job-simple-content')
company_name = bs.find('h1',id='companyH1')['data-companyname']
for data in datas:
item = ZhiyouItem()
item['company'] = company_name
item['job'] = data.find('h3').text
item['city'] = data.find('span').text
item['desc'] = data.find_all('span')[1].text
yield item
3、编辑settings.py
BOT_NAME = 'zhiyou' SPIDER_MODULES = ['zhiyou.spiders']
NEWSPIDER_MODULE = 'zhiyou.spiders' USER_AGENT = 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36' ROBOTSTXT_OBEY = False FEED_URI = './s.csv'
FEED_FORMAT='CSV'
FEED_EXPORT_ENCODING='utf-8-sig' DOWNLOAD_DELAY = 0.5 ITEM_PIPELINES = {
'zhiyou.pipelines.ZhiyouPipeline': 300,
}
4、编辑 items.py
import scrapy class ZhiyouItem(scrapy.Item):
company = scrapy.Field()
job = scrapy.Field()
city = scrapy.Field()
desc = scrapy.Field()
5、编辑pipelines.py
import openpyxl class ZhiyouPipeline(object):
#定义一个JobuiPipeline类，负责处理item
def __init__(self):
#初始化函数 当类实例化时这个方法会自启动
self.wb =openpyxl.Workbook()
#创建工作薄
self.ws = self.wb.active
#定位活动表
self.ws.append(['公司', '职位', '地址', '招聘信息'])
#用append函数往表格添加表头 def process_item(self, item, spider):
#process_item是默认的处理item的方法，就像parse是默认处理response的方法
line = [item['company'], item['job'], item['city'], item['desc']]
#把公司名称、职位名称、工作地点和招聘要求都写成列表的形式，赋值给line
self.ws.append(line)
#用append函数把公司名称、职位名称、工作地点和招聘要求的数据都添加进表格
return item
#将item丢回给引擎，如果后面还有这个item需要经过的itempipeline，引擎会自己调度 def close_spider(self, spider):
#close_spider是当爬虫结束运行时，这个方法就会执行
self.wb.save('./s.xlsx')
#保存文件
self.wb.close()
#关闭文件
6、在D:\USERDATA\python\dangdang 下执行命令 scrapy crawl zhiyou
Scrapy 核心代码，callback
#导入模块：
import scrapy
import bs4
from ..items import JobuiItem class JobuiSpider(scrapy.Spider):
name = 'jobs'
allowed_domains = ['www.jobui.com']
start_urls = ['https://www.jobui.com/rank/company/'] #提取公司id标识和构造公司招聘信息的网址：
def parse(self, response):
#parse是默认处理response的方法
bs = bs4.BeautifulSoup(response.text, 'html.parser')
ul_list = bs.find_all('ul',class_="textList flsty cfix")
for ul in ul_list:
a_list = ul.find_all('a')
for a in a_list:
company_id = a['href']
url = 'https://www.jobui.com{id}jobs'
real_url = url.format(id=company_id)
yield scrapy.Request(real_url, callback=self.parse_job)
#用yield语句把构造好的request对象传递给引擎。用scrapy.Request构造request对象。callback参数设置调用parsejob方法。 def parse_job(self, response):
#定义新的处理response的方法parse_job（方法的名字可以自己起）
bs = bs4.BeautifulSoup(response.text, 'html.parser')
#用BeautifulSoup解析response(公司招聘信息的网页源代码)
company = bs.find(id="companyH1").text
#用fin方法提取出公司名称
datas = bs.find_all('li',class_="company-job-list")
#用find_all提取<li class_="company-job-list">标签，里面含有招聘信息的数据
for data in datas:
#遍历datas
item = JobuiItem()
#实例化JobuiItem这个类
item['company'] = company
#把公司名称放回JobuiItem类的company属性里
item['position']=data.find('h3').find('a').text
#提取出职位名称，并把这个数据放回JobuiItem类的position属性里
item['address'] = data.find('span',class_="col80").text
#提取出工作地点，并把这个数据放回JobuiItem类的address属性里
item['detail'] = data.find('span',class_="col150").text
#提取出招聘要求，并把这个数据放回JobuiItem类的detail属性里
yield item
#用yield语句把item传递给引擎