【爬虫】实战1-爬取Boss直聘信息数据

import requests
from bs4 import BeautifulSoup
import pandas as pd
import time
 
# 初始化请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3',
    'Upgrade-Insecure-Requests': '1',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cache-Control': 'max-age=0',
    'Connection': 'keep-alive',
}
 
# 初始化URL列表
urls = ['https://www.zhipin.com/c101010100/h_101010100/?query=python&page={}'.format(i) for i in range(1, 11)]
 
# 初始化空列表存储数据
job_info = []
 
# 开始爬取数据
for url in urls:
    print('正在爬取:', url)
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, 'lxml')
    jobs = soup.find_all('div', class_='info-primary')
    
    for job in jobs:
        job_name = job.find('h3', class_='name').text
        company_name = job.find('div', class_name='company-text').text
        salary = job.find('div', class_='salary').text
        city = job.find('div', class_='location-text').text
        detail_url = job.find('a', class_='name').get('href')
        
        job_info.append({
            '职位名称': job_name,
            '公司名称': company_name,
            '薪资': salary,
            '城市': city,
            '详细链接': detail_url
        })
        
    time.sleep(2)  # 为了避免被服务器封禁IP，每请求两次休息2秒
 
# 保存数据到CSV文件
df = pd.DataFrame(job_info)
df.to_csv('Boss直聘Python职位信息.csv', index=False, encoding='utf-8-sig')
print('爬取完成，结果已保存到CSV文件。')

这段代码使用了requests库来发送HTTP请求，BeautifulSoup库来解析HTML，pandas库来处理和保存数据。代码首先初始化了请求头和需要爬取的URL列表，然后遍历URL列表，发送请求，解析页面，提取职位信息，并且将信息存储到一个字典中的列表。最后，使用pandas将数据存储到CSV文件中。这个例子展示了如何使用Python爬取网页数据的基本流程。