关于python:轻松利用Python爬虫爬取你想要的数据

42次阅读

共计 2008 个字符,预计需要花费 6 分钟才能阅读完成。

import urllib.request
from bs4 import BeautifulSoup
import time
import pymysql
def headers_request(url):

headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36'

}

request=urllib.request.Request(url,headers=headers)
return request

解析内容

def parse_content(content, db):

# 生成 soup 对象
soup = BeautifulSoup(content,'lxml')
# 先找蕴含所有工作的 div
odivbox = soup.find('div',id='resultList')
# 首先找到蕴含所有工作的 div
odiv_list = odivbox.find_all('div',class_='el')[1:]
# print(len(odiv_list))
for odiv in odiv_list:
    # 职位名称
    jobname = odiv.select('.t1 > span > a')[0]['title']
    # 公司名称
    company = odiv.select('.t2 > a')[0]['title']
    # 工作地点
    area = odiv.select('.t3')[0].string
    # 职位月薪
    salary = odiv.select('.t4')[0].string
    # 公布工夫
    publish_time = odiv.select('.t5')[0].string
    # print(salary, publish_time)
    # 保留到字典中
    item = {
        '职位名称':jobname,
        '公司名称':company,
        '工作地点':area,
        '职位月薪':salary,
        '公布工夫':publish_time
    }
    # 保留到文件中
    # string = str(item) + '\n'
    # fp.write(string)
    # 保留到 mysql 中
    save_to_mysql(db,item)

def save_to_mysql(db,item):

# 获取游标
cur = db.cursor()
# 执行 sql 语句
sql = """insert into work(jobname,company,area,salary,publish_time) values('%s','%s','%s','%s','%s')""" % (item['职位名称'], item['公司名称'], item['工作地点'], item['职位月薪'], item['公布工夫'])
# print(sql)
try:
    cur.execute(sql)
    #提交
    db.commit()
except Exception as e:
    # print(e)
    #谬误回滚
    db.rollback()

def main():

# fp = open('work.txt','w',encoding='utf8')
# 链接数据库
db = pymysql.connect(host="xxxx",user="xxxx",password="xxxxxx",db="xx",port=xxxx,charset='utf8')
# 用户输出要搜寻工作关键字
keyword = input('请输出要搜寻的关键字 -')
# 用户输出要爬取的起始和完结页码
start_page = int(input('请输出要爬取的起始页码 -'))
end_page = int(input('请输出要爬取的完结页码 -'))
# 要拼接的起始 url
url = 'https://search.51job.com/list/010000,000000,0000,00,9,99,{},2,{}.html'
# 写循环,每一页开始挨着爬取
for page in range(start_page,end_page + 1):
    print('[ 金融期货](https://www.gendan5.com/futures/ff.html) 正在爬取第 %s 页......' % page)
    # 拼接 url
    url_page = url.format(keyword,page)
    # print(url_page)
    # 构建申请对象
    request = headers_request(url_page)
    # 发送申请,失去响应
    content = urllib.request.urlopen(request).read().decode('gbk')
    # 解析内容
    parse_content(content,db)
    print('完结爬取第 %s 页' % page)
    time.sleep(2)
# fp.close()
db.close()

if name == ‘__main__’:

main()

正文完
 0