Selenium&Chrome实战:动态爬取51job招聘信息

发布时间:2018-08-09 21:03:02编辑:Run阅读(4324)

    Selenium3.8版本以后,已经不支持PhanTomJS了,可以使用谷歌,火狐的无头浏览器来代替PhanTomJS


    使用chrome的无头浏览器,需要下载谷歌驱动chromedriver.exe

    chromedriver.exe下载  淘宝的镜像下载地址:https://npm.taobao.org/mirrors/chromedriver/


    对应系统下载最新版,这里我用的win,下载win32,这里需要注意chromedriver与chrome(谷歌浏览器的版本)的对应关系表.

    blob.png


    我的chrome版本是:68


    blob.png

    下载chromedriver2.41

    blob.png


    下载完后,解压到桌面里面有个chromedriver.exe文件

    blob.png



    Selenium设置使用Chrome无头浏览器

    #!/usr/bin/env python
    # coding: utf-8
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
    
    # 创建chrome参数对象
    chrome_options = Options()
    
    # 把chrome设置成无界面模式,不论windows还是linux都可以,自动适配对应参数
    chrome_options.set_headless()
    
    # 创建chrome无界面对象
    # 方式一: # executable_path为下载的chromedriver.exe的路径
    # browser = webdriver.Chrome(options=chrome_options, 
    #                            executable_path=r'C:\Users\dell\Desktop\chromedriver_win32\chromedriver.exe')
    
    # 方式二:复制chromedriver.exe到python.exe的目录下,两种方法任意其一
    browser = webdriver.Chrome(options=chrome_options)


    使用Selenium&chrome无头浏览器爬取 ----->  51job招聘网站的招聘信息

    Selenium自动化测试工具,可模拟用户输入,选择,提交

    爬虫实现的功能:

     1  输入python,选择地点:上海,北京 ---->就去爬取上海,北京2个城市python招聘信息

     2  输入会计,选择地址:广州,深圳,杭州---->就去爬取广州,深圳,杭州3个城市会计招聘信息

     3  根据输入的不同,动态爬取结果 

                             


    目标分析:

    selenium怎么模拟用户输入关键字,怎么选择城市,怎么点击搜索按钮?

    blob.png


    Selenium模拟用户输入关键字,谷歌浏览器右键输入框,点检查,查看代码

    blob.png


    通过selenium的find_element_by_id 找到 id = 'kwdselectid',然后send_keys('关键字')即可模拟用户输入

    代码为:

    textElement = browser.find_element_by_id('kwdselectid')
    textElement.send_keys('python')


    selenium模拟用户选择城市--- (这个就难了,踩了很多坑)

    点击城市选择,会弹出一个框

    blob.png


    然后选择:北京,上海,  右键检查,查看源代码

    blob.png


    可以发现:value的值变成了"北京+上海"

    那么是否可以用selenium找到这个标签,更改它的属性值为"北京+上海",可以实现选择城市呢?

    答案:不行,因为经过自己的几次尝试,发现真正生效的是下面的"010000,020000",这个是什么?城市编号,也就是说在输入"北京+上海",实际上输入的是:"010000,020000", 那这个城市编号怎么来的,这个就需要去爬取51job弹出城市选择框那个页面了,页面代码里面有城市对应的编号


    获取城市编号getcity.py代码:

    #!/usr/bin/env python
    # coding: utf-8
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
    import json
    
    
    # 设置selenium使用chrome的无头模式
    chrome_options = Options()
    chrome_options.set_headless()
    browser = webdriver.Chrome(options=chrome_options, executable_path=\
        r'C:\Users\taoru\Desktop\chromedriver_2.41\chromedriver.exe')
    cookies = browser.get_cookies()
    browser.delete_all_cookies()
    browser.get('https://www.51job.com/')
    browser.implicitly_wait(20)
    
    # 找到城市选择框,并模拟点击
    button = browser.find_element_by_xpath("//div[@class='ush top_wrap']//div[@class='el on']/p\
    [@class='addbut']//input[@id='work_position_input']").click()
    
    # 选中城市弹出框
    browser.current_window_handle
    
    # 定义一个空字典
    dic = {}
    
    # 找到城市,和对应的城市编号
    find_city_elements = browser.find_elements_by_xpath("//div[@id='work_position_layer']//\
    div[@id='work_position_click_center_right_list_000000']//tbody/tr/td")
    for element in find_city_elements:
        number = element.find_element_by_xpath("./em").get_attribute("data-value")  # 城市编号
        city = element.find_element_by_xpath("./em").text  # 城市
        # 添加到字典
        dic.setdefault(city, number)
    print(dic)
    # 写入文件
    with open('city.txt', 'w', encoding='utf8') as f:
        f.write(json.dumps(dic, ensure_ascii=False))
    browser.quit()

    运行程序,结果如下:

    {'大连': '230300', '天津': '050000', '成都': '090200', '宁波': '080300', '上海': '020000', '西安': '200200', '重庆': '060000', '郑州': '170200', '杭州': '080200', '青岛': '120300', '沈阳': '230200', '东莞': '030800', '济南': '120200', '哈尔滨': '220200', '南京': '070200', '长春': '240200', '北京': '010000', '福州': '110200', '广州': '030200', '深圳': '040000', '昆明': '250200', '苏州': '070300', '合肥': '150200', '武汉': '180200', '长沙': '190200'}


    通过selenium的find_element_by_xpath 找到城市编号这个input,然后读取city.txt文件,把对应的城市替换为城市编号,在用selenium执行js代码,就可以加载城市了---代码有点长,完整代码写在后面



    selenium模拟用户点击搜索

    通过selenium的find_element_by_xpath 找到 这个button按钮,然后click() 即可模拟用户点击搜索

    代码为:

    browser.find_element_by_xpath("//div[@class='ush top_wrap']/button").click()


    以上都是模拟用户搜索的行为,下面就是对数据提取规则

    先定位总页数:552页

    blob.png


    找到每个岗位详细的链接地址:

    blob.png


    最后定位需要爬取的数据

    岗位名,薪水,公司名,招聘信息,福利待遇,岗位职责,任职要求,上班地点,工作地点 这些数据,总之需要什么数据,就爬什么

    blob.png


    创建getcity.py文件

    代码如下:

    #!/usr/bin/env python
    # coding: utf-8
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
    import json
    
    
    # 设置selenium使用chrome的无头模式
    chrome_options = Options()
    chrome_options.set_headless()
    browser = webdriver.Chrome(options=chrome_options, executable_path=\
        r'C:\Users\taoru\Desktop\chromedriver_2.41\chromedriver.exe')
    cookies = browser.get_cookies()
    browser.delete_all_cookies()
    browser.get('https://www.51job.com/')
    browser.implicitly_wait(20)
    
    # 找到城市选择框,并模拟点击
    button = browser.find_element_by_xpath("//div[@class='ush top_wrap']//div[@class='el on']/p\
    [@class='addbut']//input[@id='work_position_input']").click()
    
    # 选中城市弹出框
    browser.current_window_handle
    
    # 定义一个空字典
    dic = {}
    
    # 找到城市,和对应的城市编号
    find_city_elements = browser.find_elements_by_xpath("//div[@id='work_position_layer']//\
    div[@id='work_position_click_center_right_list_000000']//tbody/tr/td")
    for element in find_city_elements:
        number = element.find_element_by_xpath("./em").get_attribute("data-value")  # 城市编号
        city = element.find_element_by_xpath("./em").text  # 城市
        # 添加到字典
        dic.setdefault(city, number)
    print(dic)
    # 写入文件
    with open('city.txt', 'w', encoding='utf8') as f:
        f.write(json.dumps(dic, ensure_ascii=False))
    browser.quit()


    需要先运行getcity.py,获取城市编号,运行结果如下

    {'大连': '230300', '天津': '050000', '成都': '090200', '宁波': '080300', '上海': '020000', '西安': '200200', '重庆': '060000', '郑州': '170200', '杭州': '080200', '青岛': '120300', '沈阳': '230200', '东莞': '030800', '济南': '120200', '哈尔滨': '220200', '南京': '070200', '长春': '240200', '北京': '010000', '福州': '110200', '广州': '030200', '深圳': '040000', '昆明': '250200', '苏州': '070300', '合肥': '150200', '武汉': '180200', '长沙': '190200'}


    创建mylog.py文件,用来记录日志信息

    代码如下:

    #!/usr/bin/env python
    # coding: utf-8
    import logging
    import getpass
    import sys
    
    
    # 定义MyLog类
    class MyLog(object):
        def __init__(self):
            self.user = getpass.getuser()  # 获取用户
            self.logger = logging.getLogger(self.user)
            self.logger.setLevel(logging.DEBUG)
    
            # 日志文件名
            self.logfile = sys.argv[0][0:-3] + '.log'  # 动态获取调用文件的名字
            self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12s\r\n')
    
            # 日志显示到屏幕上并输出到日志文件内
            self.logHand = logging.FileHandler(self.logfile, encoding='utf-8')
            self.logHand.setFormatter(self.formatter)
            self.logHand.setLevel(logging.DEBUG)
    
            self.logHandSt = logging.StreamHandler()
            self.logHandSt.setFormatter(self.formatter)
            self.logHandSt.setLevel(logging.DEBUG)
    
            self.logger.addHandler(self.logHand)
            self.logger.addHandler(self.logHandSt)
    
        # 日志的5个级别对应以下的5个函数
        def debug(self, msg):
            self.logger.debug(msg)
    
        def info(self, msg):
            self.logger.info(msg)
    
        def warn(self, msg):
            self.logger.warn(msg)
    
        def error(self, msg):
            self.logger.error(msg)
    
        def critical(self, msg):
            self.logger.critical(msg)
    
    
    if __name__ == '__main__':
        mylog = MyLog()
        mylog.debug(u"I'm debug 中文测试")
        mylog.info(u"I'm info 中文测试")
        mylog.warn(u"I'm warn 中文测试")
        mylog.error(u"I'm error 中文测试")
        mylog.critical(u"I'm critical 中文测试")


    创建主程序get51Job.py文件,代码如下:

    #!/usr/bin/env python
    # coding: utf-8
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
    from mylog import MyLog as mylog
    import json
    import time
    import urllib.request
    from lxml import etree
    
    
    class Item(object):
        job_name = None  # 岗位名
        company_name = None  # 公司名
        work_place = None  # 工作地点
        salary = None  # 薪资
        release_time = None  # 发布时间
        job_recruitment_details = None  # 招聘岗位详细
        job_number_details = None  # 招聘人数详细
        company_treatment_details = None  # 福利待遇详细
        practice_mode = None  # 联系方式
    
    
    class GetJobInfo(object):
        """
        the all data from 51job.com
        所有数据来自前程无忧招聘网
        """
        def __init__(self):
            self.log = mylog()  # 实例化mylog类,用于记录日志
            self.startUrl = 'https://www.51job.com/'  # 爬取的目标网站
            self.browser = self.getBrowser()  # 设置chrome
            self.browser_input = self.userInput(self.browser)  # 模拟用户输入搜索
            self.getPageNext(self.browser_input)   # 找到下个页面
    
        def getBrowser(self):
            """
            设置selenium使用chrome的无头模式
            打开目标网站 https://www.51job.com/
            :return: browser
            """
            try:
                # 创建chrome参数对象
                chrome_options = Options()
                # 把chrome设置成无界面模式,不论windows还是linux都可以,自动适配对应参数
                chrome_options.set_headless()
                # 创建chrome无界面对象,设置成无头
                browser = webdriver.Chrome(executable_path=\
                                               r'C:\Users\taoru\Desktop\chromedriver_2.41\chromedriver.exe')
                # 利用selenium打开网站
                browser.get(self.startUrl)
                # 等待网站js代码加载完毕
                browser.implicitly_wait(20)
            except Exception as e:
                # 记录错误日志
                self.log.error('打开目标网站失败:{},错误代码:{}'.format(self.startUrl, e))
            else:
                # 记录成功日志
                self.log.info('打开目标网站成功:{}'.format(self.startUrl))
                # 返回实例化selenium对象
                return browser
    
        def userInput(self, browser):
            """
            北京 上海 广州 深圳 武汉 西安 杭州
            南京  成都 重庆 东莞 大连 沈阳 苏州
            昆明 长沙 合肥 宁波 郑州 天津 青岛
            济南 哈尔滨 长春 福州
            只支持以上城市,输入其它则无效
            最多可选5个城市,每个城市用 , 隔开(英文逗号)
            :return:browser
            """
            time.sleep(1)
            # 用户输入关键字搜索
            search_for_jobs = input("请输入职位搜索关键字:")
            # 用户输入城市
            print(self.userInput.__doc__)
            select_city = input("输入城市信息,最多可输入5个,多个城市以逗号隔开:")
            # 找到51job首页上关键字输入框
            textElement = browser.find_element_by_id('kwdselectid')
            # 模拟用户输入关键字
            textElement.send_keys(search_for_jobs)
    
            # 找到城市选择弹出框,模拟选择"北京,上海,广州,深圳,杭州"
            button = browser.find_element_by_xpath("//div[@class='ush top_wrap']\
            //div[@class='el on']/p[@class='addbut']//input[@id='jobarea']")
    
            # 打开城市对应编号文件
            with open("city.txt", 'r', encoding='utf8') as f:
                city_number = f.read()
                # 使用json解析文件
                city_number = json.loads(city_number)
    
            new_list = []
            # 判断是否输入多值
            if len(select_city.split(',')) > 1:
                for i in select_city.split(','):
                    if i in city_number.keys():
                        # 把城市替换成对应的城市编号
                        i = city_number.get(i)
                        new_list.append(i)
                        # 把用户输入的城市替换成城市编号
                select_city = ','.join(new_list)
            else:
                for i in select_city.split(','):
                    i = city_number.get(i)
                    new_list.append(i)
                select_city = ','.join(new_list)
    
            # 执行js代码
            browser.execute_script("arguments[0].value = '{}';".format(select_city), button)
    
            # 模拟点击搜索
            browser.find_element_by_xpath("//div[@class='ush top_wrap']/button").click()
            self.log.info("模拟搜索输入成功,获取目标爬取title信息:{}".format(browser.title))
            return browser
    
        def getPageNext(self, browser):
            # 找到总页数
            str_sumPage = browser.find_element_by_xpath("//div[@class='dw_page']/div//\
            span[@class='td'][1]").text
            sumpage = ''
            for i in str_sumPage:
                if i.isdigit():
                    sumpage += i
            self.log.info("获取总页数:{}".format(sumpage))
            s = 1
            while s <= int(sumpage):
                urls = self.getUrl(self.browser)
                # 获取每个岗位的详情
                self.items = self.spider(urls)
                # 数据下载
                self.pipelines(self.items)
                # 清空urls列表,获取后面的url(去重,防止数据重复爬取)
                urls.clear()
                s += 1
                self.log.info('开始爬取第%d页' % s)
                # 找到下一页的按钮点击
                NextTag = browser.find_element_by_partial_link_text("下一页").click()
                # 等待加载js代码
                browser.implicitly_wait(20)
                time.sleep(3)
            self.log.info('获取所有岗位成功')
            browser.quit()
    
        def getUrl(self, browser):
            # 创建一个空列表,用来存放所有岗位详情的url
            urls = []
    
            # 创建一个特殊招聘空列表
            job_urls = []
    
            # 获取所有岗位详情url
            Elements = browser.find_elements_by_xpath("//div[@class='dw_table']//div[@class='el']")
            for element in Elements:
                try:
                    url = element.find_element_by_xpath("./p/span/a").get_attribute("href")
                    title = element.find_element_by_xpath('./span[@class="t2"]/a').get_attribute('title')
                except Exception as e:
                    self.log.error("获取岗位详情失败,错误代码:{}".format(e))
                else:
                    # 排除特殊的url,可单独处理
                    src_url = url.split('/')[3]
                    if src_url == 'sc':
                        job_urls.append(url)
                        self.log.info("获取不符合爬取规则的详情成功:{},添加到job_urls".format(url))
                    else:
                        urls.append(url)
                        self.log.info("获取详情成功:{},添加到urls".format(url))
            return urls
    
        def spider(self, urls):
            # 数据过滤,爬取需要的数据,返回items列表
            items = []
            for url in urls:
                htmlcontent = self.getreponsecontent(url)
                html_xpath = etree.HTML(htmlcontent)
                item = Item()
                # 岗位名
                item.job_name = html_xpath.xpath("normalize-space(//div[@class='cn']/h1/text())")
                # 公司名
                item.company_name = html_xpath.xpath("normalize-space(//div[@class='cn']\
                /p[@class='cname']/a/text())")
                # 工作地点
                item.work_place = html_xpath.xpath("normalize-space(//div[@class='cn']\
                //p[@class='msg ltype']/text())").split('|')[0].strip()
                # 薪资
                item.salary = html_xpath.xpath("normalize-space(//div[@class='cn']/strong/text())")
                # 发布时间
                item.release_time = html_xpath.xpath("normalize-space(//div[@class='cn']\
                //p[@class='msg ltype']/text())").split('|')[-1].strip()
                # 招聘岗位详细
                job_recruitment_details_tmp = html_xpath.xpath("//div[@class='bmsg job_msg inbox']//text()")
                item.job_recruitment_details = ''
                ss = job_recruitment_details_tmp.index("职能类别:")
                ceshi = job_recruitment_details_tmp[:ss - 1]
                for i in ceshi:
                    item.job_recruitment_details = item.job_recruitment_details + i.strip() + '\n'
                # 招聘人数详细
                job_number_details_tmp = html_xpath.xpath("normalize-space(//div[@class='cn']\
                //p[@class='msg ltype']/text())").split('|')
                item.job_number_details = ''
                for i in job_number_details_tmp:
                    item.job_number_details = item.job_number_details + ' ' + i.strip()
                # 福利待遇详细
                company_treatment_details_tmp = html_xpath.xpath("//div[@class='t1']//text()")
                item.company_treatment_details = ''
                for i in company_treatment_details_tmp:
                    item.company_treatment_details = item.company_treatment_details + ' ' + i.strip()
                # 联系方式
                practice_mode_tmp = html_xpath.xpath("//div[@class='bmsg inbox']/p//text()")
                item.practice_mode = ''
                for i in practice_mode_tmp:
                    item.practice_mode = item.practice_mode + ' ' + i.strip()
                items.append(item)
            return items
    
        def getreponsecontent(self, url):
            # 接收url,打开目标网站,返回html
            fakeHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 \
            (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'}
            try:
                request = urllib.request.Request(url, headers=fakeHeaders)
                response = urllib.request.urlopen(request)
                html = response.read().decode('gbk')
            except Exception as e:
                self.log.error(u'Python 返回 url:{} 数据失败\n错误代码:{}\n'.format(url, e))
            else:
                self.log.info(u'Python 返回 url:{} 数据成功\n'.format(url))
                time.sleep(1)  # 1秒返回一个结果  手动设置延迟防止被封
                return html
    
        def pipelines(self, items):  # 接收一个items列表
            # 数据下载
            filename = u'51job.txt'
            with open(filename, 'a', encoding='utf-8') as fp:
                for item in items:
                    fp.write('job_name:{}\ncompany_name:{}\nwork_place:{}\nsalary:\
                    {}\nrelease_time:{}\njob_recruitment_details:{}\njob_number_details:\
                    {}\ncompany_treatment_details:\{}\n\
                    practice_mode:{}\n\n\n\n' \
                             .format(item.job_name, item.company_name, item.work_place,
                                     item.salary, item.release_time,item.job_recruitment_details,
                                     item.job_number_details, item.company_treatment_details,
                                     item.practice_mode))
                    self.log.info(u'岗位{}保存到{}成功'.format(item.job_name, filename))
    
    
    if __name__ == '__main__':
        st = GetJobInfo()


    先运行getcity.py生成城市编号city.txt文件

    再运行主程序get51Job.py文件

    关键字输入: python

    城市选择:北京,上海,广州,深圳,杭州

    pycharm运行截图:

    blob.png


    生成的文件51job.txt截图

    blob.png


    要知道我们写的是动态爬虫,可以根据输入的不同,爬取不同的招聘信息, 怎么验证呢?

    重新运行程序

    关键字输入:会计

    城市选择: 武汉

    跟第一次运行输入的不一样,运行主程序get51Job.py

    pycharm截图

    blob.png


    生成的51job.txt截图

    blob.png


    根据输入结果的不同,爬取不同的信息,利用selenium可以做到动态爬取



    代码分析:

    整个项目代码分为三个文件

    getcity.py  (首先运行)获取城市编号,会生成一个city.txt文件

    mylog.py     日志程序,记录爬取过程中的一些信息

    get51Job.py 爬虫主程序,里面包含:

    Item类  定义需要获取的数据

    GetJobInfo类 主程序类

    getBrowser方法     设置selenium使用chrome的无头模式,打开目标网站,返回browser对象

    userInput方法        模拟用户输入关键字,选择城市,点击搜索,返回browser对象

    getUrl方法               找到所有符合规则的url,返回urls列表

    spider方法               提取每个岗位url的详情,返回items

    getresponsecontent方法  接收url,打开目标网站,返回html内容

    piplines方法            处理所有的数据,保存为51job.txt

    getPageNext方法   找到总页数,并获取下个页面的url,保存数据,直到所有页面爬取完毕

关键字