1、导入包

import requests   #取数

from lxml import etree   #用xpath解析

import pymysql   #连接数据库

import chardet   #自动获取编码

2、获取单页html

def get_one_page(url):

    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'}

    response = requests.get(url, headers=headers)  #习惯先把头部信息加上

    response.encoding = chardet.detect(response.content)['encoding'] #用chardet.detect方法自动获取网页的编码,也可以自己手动在网页查

    return response.text

3、解析html

def parse_one_page(html):

    #对获取内容初始化,再用parse函数etree.HTML解析

    result = etree.HTML(html)

    item = {} #建立一个字典储存所有职位信息

    item['t1'] = result.xpath('//div[@class="el"]/p/span/a/text()') #职位名称

    item['t2'] = result.xpath('//div[@class="el"]/span[@class="t2"]/a/text()') #公司名称

    item['t3'] = result.xpath('//div[@class="el"]/span[@class="t3"]/text()') #工作地点

    t4 = result.xpath('//div[@class="el"]/span[@class="t4"]')   #text无法获取空值(薪资数据可能为空),所以要用string方法获取

    item['t4'] = []

    for i in t4:

        item['t4'].append(i.xpath('string(.)'))  #遍历出来再用xpath解析,string(.)中间的点表示在当前目录

    item['t5'] = result.xpath('//div[@class="el"]/span[@class="t5"]/text()') #发布时间

    item['href'] = result.xpath('//div[@class="el"]/p/span/a/@href') #详细链接

4、数据清洗

上面第3步将数取出,存在字典里,接下来做数据清洗,这部分还是在parse_one_page函数体里。

# (1) 去掉每个职位名称前后空白

    for i in range(len(item['t1'])):   #有多少个职位就遍历多少遍

        item['t1'][i] = item['t1'][i].strip()   #strip只针对字符串

    # (2) 薪资处理

    # 定义列表,存储处理后的薪资数据

    sal_low = [] #最低月薪

    sal_height = [] #最高月薪

    for sal in item['t4']: #取出的是字符串

        if sal != "":  #如果薪资不为空,则先截取

            sal = sal.strip().split('-') #将薪资分成两部分

            if len(sal) > 1: #若长度>1,则说明薪资是个区间,有最大最小值

            #研究薪资结构,一般是万/月,千/月,万/年,其它的设为0值

                if sal[1][-3] == '万' and sal[1][-1] == '月': #判断第二部分的构成

                    sal_low.append(float(sal[0])*10000) #float设置成浮点数

                    sal_height.append(float(sal[1][0:-3])*10000)

                elif sal[1][-3] == '万' and sal[1][-1] == '年':

                    sal_low.append(round(float(sal[0])*10000/12,1)) #round保留一位小数,月薪=年薪/12

                    sal_height.append(round(float(sal[1][0:-3])*10000/12,1))

                elif sal[1][-3] == '千' and sal[1][-1] == '月':

                    sal_low.append(float(sal[0])*1000)

                    sal_height.append(float(sal[1][0:-3])*1000)

                else:

                    sal_low.append(0)  #若存在其它情况则全部设为0

                    sal_height.append(0)

            else: 

            #否则,薪资只有一个固定值

                if sal[0][-3] == '元' and sal[0][-1] == '天':

                    sal_low.append(sal[0][0:-3])  #直接把数字填进去(日薪)

                    sal_height.append(sal[0][0:-3]) #因为只有一个值,所以最低最高薪资是相同的

                else:

                    sal_low.append(0)

                    sal_height.append(0)

        else: #若为空

            sal_low.append(0)

            sal_height.append(0)

    # 将处理后的薪资存储在字典中

    item['sal_low'] = sal_low

    item['sal_height'] = sal_height

    # (3) 时间数据处理

    for i in range(len(item['t5'])):

        item['t5'][i] = '2019-' + item['t5'][i]  # 遍历出来把每个结果前面都加上年份

    yield item  

5、存储至mysql

def write_to_mysql(content):

# 建立连接

conn = pymysql.connect(host='localhost',user='root',passwd='vicky',db='test_db',charset='utf8')

cursor = conn.cursor()

for i in range(len(content['t1'])):

# 在这里只取了下面7个字段

jobname = content['t1'][i]

company = content['t2'][i]

workplace = content['t3'][i]

salary_low = content['sal_low'][i]

salary_height = content['sal_height'][i]

ptime = content['t5'][i]

href = content['href'][i]

# 在这一步的时候可以去Navicat创建一张表,字段可以多加一个id为主键自增

sql = "insert into wuyoujob values(null,%s,%s,%s,%s,%s,%s,%s)"

parm = (jobname,company,workplace,salary_low,salary_height,ptime,href)

cursor.execute(sql,parm)

conn.commit()

cursor.close()

conn.close()

5、函数回调

函数写好了,实例化就行

def main(page):

    url = 'https://search.51job.com/list/080200,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE%25E5%2588%2586%25E6%259E%2590%25E5%25B8%2588,2,'+str(page)+'.html?'   #这里要注意,原地址中间?后面的内容都可以删掉,取前面就好,做个分页时注意要转成字符串格式才能拼接

    html = get_one_page(url)

    for i in parse_one_page(html):  #遍历字典

        print(i)   #打印处理后的数据(字典)也可以不打印

        write_to_mysql(i)    #把字典的内容传给数据库

6、回调主函数,完成分页

if __name__ == '__main__':

    for i in range(1,9):  #这里看自己抓取的网页大概有多少页

        main(i)

然后打开Navicat,刷新一下表,见证奇迹的时候到了!

dei 没错,我取的是杭州的数据
在这里插入图片描述