摘要:网页源码解析智联招聘搜索列表一开始必须要解析智联招聘搜索列表页,从这里更方便实现各种深层级数据抓取。显示不同源码也不同,尽量选列表模式,源码更好解析。
网页源码解析 - 智联招聘搜索列表
一开始必须要解析智联招聘搜索列表页,从这里更方便实现各种深层级数据抓取。
网页地址是:
http://sou.zhaopin.com/jobs/searchresult.ashx
智联招聘的服务器只接收Get方式,如果用Post方式抓取页面,则不会返回想要的招聘信息,而会得到一堆广告。
下面是我手动测试的一些智联在这个页面Get方式传递的搜索参数,也是目前最常用的(注释掉的不怎么常用):
data_filter = { "kw" : keyword, # 搜索关键词 "sm" : "0", # 显示方式代码: 列表是"0",详细是"1"。显示不同源码也不同,尽量选列表模式,源码更好解析。 "jl" : "北京", # 搜索城市:"北京",多项用"+"连接(URL编码为%2B) #"bj" : "", # 职位类别代码:互联网产品/运营管理 的代码为 "160200",多项用"%3B"连接(URL编码的%) #"in" : "", # 行业代码:多项用";"连接(URL编码为%3B) "kt" : "0", # 关键词搜索范围:全文"0" | 公司名"1" | 职位名"2" "isadv" : "0", # 是否高级搜索:快速搜索"0" | 高级搜索"1" # "isfilter" : "1", # 是不是筛选器: "0" | "1" # "ispts" : "", # 通常为 "1" #"sj" : "", # 职位子类别代码: # "gc" : "5号", # 地铁线路: "5号" # "ga" : "立水桥", # 地名或地铁站名: "天通苑南" 、 "小汤山" # "sb" : "0", # 排序方式代码:默认排序是"0",相关度排序是"1", 首发日排序是"2" #"fjt" : "10000", # 职位标签 五险一金"10000" 年底双薪"10001" 绩效奖金"10002" 等等 # "sf" : "-1", # 月薪底线:"8001" 不限是"-1" # "st" : "-1", # 月薪上限:"10000" 不限是"-1" # "ct" : "-1", # 公司性质代码 # "el" : "-1", # 学历代码 # "we" : "-1", # 工作经验代码 # "et" : "-1", # 职位类型代码:兼职"1" 全职"2" 实习"4" # "pd" : "-1", # 发布时间(天数):一周是"7",一个月是"30",不限是"-1" "p" : page, # 页码,超出总页码时,则会显示最后一页 #"gr" : "", # # "re" : "2015", # 这个限制了搜素数量,但是其实也不是按年份搜索 "sg" : guid, # 即全网唯一标示符——GUID #"" : "" # }
它在python中的用法,就是通过urllib.urlencode()来转成URL参数格式,并提交。
网页源码解析 - “列表模式”如果解析“列表模式”的智联招聘网页,需要在Get参数里面的sm设为0。
里面唯一需要的就是中间的结果列表部分,
即id为"newlist_list_content_table"的DIV用,源码如下:
一条招聘信息
一条招聘信息
其中会循环输出class为newlist的Table表格
即一条一条的招聘信息。
每一条招聘信息的源码如下:
87% | 中海软银投资管理有限公司 | 面议 | 北京 | 12-10 |
在“列表”模式中,每一条记录采用了Table格式,第一个TR是简述信息,第二个TR是扩展信息。简述信息中,每个信息都有固定Class属性,而且是非空信息,是肯定能获取到的。而扩展信息中,规则性不强,只能用“公司性质:xx”这样的正则表达式来匹配或是用tag的嵌套层级和顺序来定位,成功率和稳定性都不高。
总结一下,这里的主要定位方式为:
职位名称: class = "zwmc"
反馈率 : class = "fk_lv"
公司名称: class = "gsmc"
职位月薪: class = "zwyx" 或 职位月薪:xx
工作地点: class = "gzdd" 或 地点:xx
更新时间: class = "gxsj" 或 12-10
公司性质: 公司性质:xx
公司规模: 公司规模:xx
学历要求: 学历:xx
岗位职责:
其实还有tag的嵌套层级和顺序,可以用来定位信息。但是我不想这么做,因为这个太不稳定了,而且大大的增加了代码的长度,如果不存在信息还会导致报错。相比而言,用中文的人能理解的语言来进行正则匹配,更有成功率,且更容易操作。
网页源码解析 - “详细模式”如果解析“详细模式”的智联招聘网页,需要在Get参数里面的sm设为1。
里面唯一需要的就是中间的结果列表部分,
即id为"newlist_list_content_table"的DIV用,源码如下:
一条招聘信息一条招聘信息
其中会循环输出class为newlist_detail newlist的子DIV层
即一条一条的招聘信息。
每一条招聘信息的源码如下:
- 乐视网信息技术(北京)股份有限公司
- 地点:北京 公司性质:上市公司 公司规模:1000-9999人 学历:本科
- 岗位职责: 1、负责对日常行政后勤工作(包括名片、加班餐、办公用品、员工离入职、印章、会议室的相关事宜)进行全面的监督控制,发现问题及时予以规范,协助上级领导应对处理突发事件; 2、进行行政后勤各项费用预算,严格管控各项费用的使用情况,节省公司成本,实现效益的最大化; 3、部门员工的招聘与培养和...
在源码上,虽然“详细模式”的解析和“列表模式”有很大的不同,几个信息的抓取方式不一样,但是却可以共用。如有的是按照class名,有的是按照tag名等。但是这不影响两种模式放在一起解析——为每一个信息元素如“月薪”、“公司名称”等,设置多种搜索方式。在写代码时,只要分别检索多种方式就可以获得数据。具体参考抓取代码的实现。
获取搜索结果数量虽然每页只能显示40条信息,但是在页面上方还是会显示一共有多少条搜索结果。如“”
代码如下:
共2025个职位满足条件
获取GUID——全局唯一标识符
虽然没有研究过GUID,但是我看到智联招聘的网页会在URL中显示的调用,参数名为sg。
不知道它对爬虫有什么影响。不过我还是尝试着获取了一下,很简单直接用id搜索input标签的value就行。网页源码如下:
智联招聘这个页面最逗的是,如果当前信息只有4页,那么及时url参数中页码指定100,它仍然不会自动跳转。所以从url或者.geturl()来判断当前真实页码也就成了不对了。
不过好在一点,这个页面下方的页码控制栏中可以清楚的看到当前页码是多少,所以就从这里入手。这部分网页源码如下:
从中可以看到,当前页码的定位极其方便,只要从class="pagesDown"的div中找到class="current"的a链接就得到了。
同理,下一页的链接可以找class="next-page"的a标签获取href值。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/37663.html
摘要:网页源码解析智联招聘信息页面根据招聘列表里面跳转过来的详细招聘信息页面。巨优信息是法国阿尔卡特朗讯公司企业通信系统全国金牌代理商,同时也是华为思科等国际知名品牌的核心合作伙伴。主页是智联招聘里唯一能够让企业自己定制的页面了。 网页源码解析 - 智联招聘信息页面 根据招聘列表里面跳转过来的详细招聘信息页面。爬虫再根据这里进行关键信息提取。相比于搜索列表页来说,这页内容很简单,而我们需要的...
摘要:之前接了一个活,做的功能是从智联招聘爬取招聘信息赚了几百块零花钱实现了一个,如图虽然比较丑,但是简洁明了,落落大方已经是我水平的天花板了具体功能说明就不了,大家都能看懂的。。。。智联招聘链接网页是这个样子的,反爬虫不强。 之前接了一个活,做的功能是从智联招聘爬取招聘信息赚了几百块零花钱实现了一个GUI,如图:showImg(https://segmentfault.com/img/bV...
摘要:智联其实一共写了两次,有兴趣的可以在源码看看,第一版的是回调版,只能一次一页的爬取。 写在前面的话, .......还是不写了,直接上效果图。附上源码地址 github.lonhon showImg(https://segmentfault.com/img/bVUM3F?w=714&h=543);showImg(https://segmentfault.com/img/bVUM...
摘要:年月日爬取,爬虫代码不知道是否失效文章目录爬虫目标具体过程源码爬虫目标要求搜索大数据专业,爬相关公司的招聘信息。 2021年10月7日爬取,爬虫代码不知道是否失效 ...
阅读 3764·2021-09-23 11:51
阅读 3004·2021-09-22 15:59
阅读 824·2021-09-09 11:37
阅读 2046·2021-09-08 09:45
阅读 1247·2019-08-30 15:54
阅读 2036·2019-08-30 15:53
阅读 471·2019-08-29 12:12
阅读 3264·2019-08-29 11:15