使用python 爬取中国高校排名信息 代码 python爬取学校学生信息

目录：

• 想法
• 准备工作
• 程序

• 匹配我们要获取的信息
• 自动翻页代码
• 将获取到的数据保存到文件中

• 源代码

想法

上了一节就业课程，突然发现要毕业了，从来没有关注过学校的就业信息。突然冒出一个想法，爬一下学校的就业信息网吧，了解一下信息，就写了这个程序。网页结构比较简单。
各位6月份马上要毕业但是考研没过初始线的同学们，现在就要开始找工作了，希望这个能帮助你。

准备工作

图片中的职位信息就是要获取的内容。

包括：发布日期、薪资、公司，招聘人数等。

检查翻页源代码发现源代码中并没有我们想要的内容，可以看出此网页是动态页面。

既然是动态页面，那么我们换一个思路F12键打开控制台选择Network，然后重新加载第一页网页页面只得到了一条数据，我写程序时候是好几条，写博客就剩一条了。这样挺好，这样更简单。

显然这里面有我们想要的数据，接下来开始写程序。

程序

匹配我们要获取的信息

运用正则表达式在网页信息里获取我们需要的信息

pat_1 = '"positionName":"(.*?)"'#工作
pat_2 = '"positionNames":"(.*?)"'#职业类别
pat_3 = '"placeName":"(.*?)"'#所在地区
pat_4 = '"agentCompanyName":"(.*?)"'#公司名称
pat_5 = '"detailedAddress":"(.*?)"'#工作地址
pat_6 = '"salaryRangeNameStart":"(.*?)"'#最低工资
pat_7 = '"salaryRangeNameEnd":"(.*?)"'#最高工资
pat_8 = '"degreeDemandNameStart":"(.*?)"'#学历
pat_9 = '"recruitmentNum":(.*?),'#招聘人数
pat_10 = '"industryName":"(.*?)"'#行业
pat_11 = '"reivewTime":"(.*?)"'#发布时间
pat_12 ='"qrCodePath":"/QCCode/recruitment_(.*?)_'#id

job = re.compile(pat_1,re.S).findall(data_1)[i]
job_type = re.compile(pat_2,re.S).findall(data_1)[i]
area = re.compile(pat_3, re.S).findall(data_1)[i]
company = re.compile(pat_4, re.S).findall(data_1)[i]
job_address = re.compile(pat_5, re.S).findall(data_1)[i]
min_money = re.compile(pat_6, re.S).findall(data_1)[i]
max_money = re.compile(pat_7, re.S).findall(data_1)[i]
education = re.compile(pat_8, re.S).findall(data_1)[i]
person_num = re.compile(pat_9, re.S).findall(data_1)[i]
profession = re.compile(pat_10, re.S).findall(data_1)[i]
time = re.compile(pat_11, re.S).findall(data_1)[i]
id = re.compile(pat_12, re.S).findall(data_1)[i]
this_url = "http://www.hjiuye.com/page/positionManager/positionInfo?recruitmentInfo.id=" + str (id)

自动翻页代码

第一页在Network中显示的url是：

http://xiaozhao.hjiuye.com/Site/Position/list?collegeId=1808&keyword=&pageSize=10&pageNumber=1

第二页在Network中显示的url是：

http://xiaozhao.hjiuye.com/Site/Position/list?collegeId=1808&keyword=&pageSize=10&pageNumber=2

从而写出自动翻页代码：

#前十页作为例子，要想得到N页的数据就把11换成N+1
for j in range (1,11):
    url = "http://xiaozhao.hjiuye.com/Site/Position/list?collegeId=1808&keyword=&pageSize=10&pageNumber=" + str(j)
#    print("第" + str(j) + "页------------------")
    res = requests.get(url,headers =hd)
    data_1 = res.text

将获取到的数据保存到文件中

这里很简单，也没什么说的，至于为啥写入方式是a+，这是基础。

with open("工作.doc","a+",encoding="utf_8")as f:
    f.write("发布时间：" + time + "\r\n" + "工作："+job + "\r\n" + "职位类别："+job_type + "\r\n" + "所在地区："+area + "\r\n" + "公司名称：" + company + "\r\n" + "工作地址：" + job_address + "\r\n" + "薪资：" + min_money + "~" + max_money + "\r\n" + "学历：" + education + "以上" + "\r\n" + "招聘人数：招聘" + person_num + "人" + "\r\n" + "行业：" + profession + "\r\n" + this_url  + "\r\n" + "------------------------------" + "\r\n") #/r/n的作用是换行
#        print(job)

源代码

很简单就是应用requests得到网页代码，正则表达式获取信息

#_*_coding:utf-8_*_
#作者:i7366464
#时间:2020/3/22 14:57
#文件:job_web.py   有兴趣的评论区评论可以说是哪个学校哦
#IDE :PyCharm

import requests
import re
hd = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
}

def download(data_1):
    pat_1 = '"positionName":"(.*?)"'#工作
    pat_2 = '"positionNames":"(.*?)"'#职业类别
    pat_3 = '"placeName":"(.*?)"'#所在地区
    pat_4 = '"agentCompanyName":"(.*?)"'#公司名称
    pat_5 = '"detailedAddress":"(.*?)"'#工作地址
    pat_6 = '"salaryRangeNameStart":"(.*?)"'#最低工资
    pat_7 = '"salaryRangeNameEnd":"(.*?)"'#最高工资
    pat_8 = '"degreeDemandNameStart":"(.*?)"'#学历
    pat_9 = '"recruitmentNum":(.*?),'#招聘人数
    pat_10 = '"industryName":"(.*?)"'#行业
    pat_11 = '"reivewTime":"(.*?)"'#发布时间
    pat_12 ='"qrCodePath":"/QCCode/recruitment_(.*?)_'#id
    try:
        for i in range(0,10):
            job = re.compile(pat_1,re.S).findall(data_1)[i]
            job_type = re.compile(pat_2,re.S).findall(data_1)[i]
            area = re.compile(pat_3, re.S).findall(data_1)[i]
            company = re.compile(pat_4, re.S).findall(data_1)[i]
            job_address = re.compile(pat_5, re.S).findall(data_1)[i]
            min_money = re.compile(pat_6, re.S).findall(data_1)[i]
            max_money = re.compile(pat_7, re.S).findall(data_1)[i]
            education = re.compile(pat_8, re.S).findall(data_1)[i]
            person_num = re.compile(pat_9, re.S).findall(data_1)[i]
            profession = re.compile(pat_10, re.S).findall(data_1)[i]
            time = re.compile(pat_11, re.S).findall(data_1)[i]
            id = re.compile(pat_12, re.S).findall(data_1)[i]
            this_url = "http://www.hjiuye.com/page/positionManager/positionInfo?recruitmentInfo.id=" + str (id)
            with open("工作.doc","a+",encoding="utf_8")as f:
                f.write("发布时间：" + time + "\r\n" + "工作："+job + "\r\n" + "职位类别："+job_type + "\r\n" + "所在地区："+area + "\r\n" + "公司名称：" + company + "\r\n" + "工作地址：" + job_address + "\r\n" + "薪资：" + min_money + "~" + max_money + "\r\n" + "学历：" + education + "以上" + "\r\n" + "招聘人数：招聘" + person_num + "人" + "\r\n" + "行业：" + profession + "\r\n" + this_url  + "\r\n" + "------------------------------" + "\r\n")
        #        print(job)
    except :
        pass

def get_data():
    #前十页
    for j in range (1,11):
        url = "http://xiaozhao.hjiuye.com/Site/Position/list?collegeId=1808&keyword=&pageSize=10&pageNumber=" + str(j)
    #    print("第" + str(j) + "页------------------")
        res = requests.get(url,headers =hd)
        data_1 = res.text
        download(data_1)


if __name__ == "__main__" :
    get_data()

这里的代码实测爬取10页只能得到70条数据，正常是100条，我也不知道问题出在哪了，刚写代码时不是这样的，欢迎大佬们在评论区指出错误。