昨天一個朋友說最近想換工做。想讓我幫看下Boss如今的招聘狀況如何。正好想到上個月寫了個開源爬蟲框架kcrawler
,最後添加了一個Boss
類支持,能夠實現快速根據關鍵詞查詢不一樣崗位,不一樣行業的的招聘狀況。有現成可用的庫,幫助朋友也是舉手之勞。html
kcrawler
是開源的。開發同窗能夠選擇clone
源碼。可是若是想省事,就直接pip install
,而後導入項目使用便可。python
pip install kcrawler
複製代碼
提供兩個類。git
kcrawler
提供了一個爬蟲基類 Crawler
, 它封裝了一個通用型爬蟲的基礎功能。經過傳入配置字典來實例化一個網站的crawler
對象,而後調用對象的crawl
方法,便可實現指定目標數據的爬取。支持html,json,圖像的爬取。如下爲Boss
的配置示例。github
from kcrawler.core.Crawler import Crawler
def queryjobpage_url(x):
p = list()
if x[0]:
p.append('i' + str(x[0]))
if x[1]:
p.append('c' + str(x[1]))
if x[2]:
p.append('p' + str(x[2]))
return 'https://www.zhipin.com/{}/'.format('-'.join(p))
config = {
'targets': {
'city': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/city.json',
'method': 'get',
'type': 'json'
},
'position': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/position.json',
'method': 'get',
'type': 'json'
},
'industry': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/oldindustry.json',
'method': 'get',
'type': 'json'
},
'conditions': {
'url': 'https://www.zhipin.com/wapi/zpgeek/recommend/conditions.json',
'method': 'get',
'type': 'json'
},
'job': {
'url': 'https://www.zhipin.com/wapi/zpgeek/recommend/job/list.json',
'method': 'get',
'type': 'json'
},
'queryjob': {
'url': 'https://www.zhipin.com/job_detail/',
'method': 'get',
'type': 'html'
},
'queryjobpage': {
'url': queryjobpage_url,
'method': 'get',
'type': 'html'
},
'jobcard': {
'url': 'https://www.zhipin.com/wapi/zpgeek/view/job/card.json',
'method': 'get',
'type': 'json'
}
}
}
crawler = Crawler(config)
複製代碼
如今完成了爬蟲對象的建立。有過爬蟲經驗的同窗可能已經注意到了,怎麼沒有headers
?事實上,有兩種方法傳入headers
。一種是直接在配置字典config
增長headers
鍵值。例如:算法
在瀏覽器裏整個複製Request Headers
,以文檔字符串的形式賦值給變量headers
。json
headers = ''' :authority: www.zhipin.com :method: GET :path: / .... cookie: xxx .... user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36 '''
config = {'headers': headers, 'targets': { ... }}
複製代碼
第二種推薦的方式是在當前目前下新建一個文件名爲headers
的文件。以一樣的方法在瀏覽器複製整個headers
字符串覆蓋這個文件,直接覆蓋,不用加文檔字符變量。當config
字典沒有提供headers
字段時,Crawler
會自動從headers
文件讀取headers
字符串。api
完成以上步驟,便可調用crawler.crawl(target)
方法爬取數據了。其中target
是配置字典config
中targets
定義的鍵。瀏覽器
data = crawler.crawl('job')
複製代碼
使用Crawler
爬取的數據是網站的原始數據的,雖然已經轉換成字典或者列表,可是要進一步獲得感興趣的字段,還須要本身提取。可是kcrawler
已經提供了一個Boss
類能夠直接使用。bash
固然仍是建議你先按照前文的方法先在瀏覽器中複製Request Headers
,保存到當前目錄下的headers
文件中。而後就能夠愉快地使用Boss
類實例化一個對象,爬取感興趣的數據。cookie
from kcrawler import Boss
boss = Boss()
複製代碼
看到以下輸出,表示成功讀取到headers
文件的內容。
read heades from file.
parse headers
複製代碼
cities = boss.city()
複製代碼
返回:
[{'id': 101010000,
'name': '北京',
'pinyin': None,
'firstChar': 'b',
'rank': 1,
'children': [{'id': 101010100,
'name': '北京',
'pinyin': 'beijing',
'firstChar': 'b',
'rank': 1}]},
{'id': 101020000,
'name': '上海',
...
]
複製代碼
hotcities = boss.hotcity()
複製代碼
返回:
[{'id': 100010000, 'name': '全國'},
{'id': 101010100, 'name': '北京'},
{'id': 101020100, 'name': '上海'},
{'id': 101280100, 'name': '廣州'},
{'id': 101280600, 'name': '深圳'},
{'id': 101210100, 'name': '杭州'},
...]
複製代碼
user_city = boss.userCity()
複製代碼
返回:
嘿嘿,就不告訴你。。。
複製代碼
industries = boss.industry()
複製代碼
返回:
[{'id': 100001, 'name': '電子商務'},
{'id': 100002, 'name': '遊戲'},
{'id': 100003, 'name': '媒體'},
{'id': 100004, 'name': '廣告營銷'},
{'id': 100005, 'name': '數據服務'},
{'id': 100006, 'name': '醫療健康'},
{'id': 100007, 'name': '生活服務'},
{'id': 100008, 'name': 'O2O'},
{'id': 100009, 'name': '旅遊'},
{'id': 100010, 'name': '分類信息'},
{'id': 100011, 'name': '音樂/視頻/閱讀'},
{'id': 100012, 'name': '在線教育'},
{'id': 100013, 'name': '社交網絡'},
...]
複製代碼
expects = boss.expect()
複製代碼
返回:
[{'id': xxx, 'positionName': 'xxx'},
{'id': xxx, 'positionName': 'xxx'},
{'id': xxx, 'positionName': 'xxx'}]
複製代碼
boss.job(i, page)
方法須要提供兩個參數,第一個是boss.expect()
返回列表的索引,例如0表明第一個指望崗位的推薦崗位;第二個參數page
用於指定數據分頁,例如1是第一頁。
jobs = boss.job(0, 1)
複製代碼
返回:
[{'id': 'be8bfdcdf7e99df90XV-0t-8FVo~',
'jobName': '深度學習平臺經理/技術中級',
'salaryDesc': '30-50K',
'jobLabels': ['深圳 福田區 購物公園', '5-10年', '本科'],
'brandName': '中國平安',
'brandIndustry': '互聯網金融',
'lid': '411f6b88-8a83-437a-aa5f-5de0fc4da2b7.190-GroupC,194-GroupB.1'},
{'id': 'f649c225a1b9038f0nZ609W5E1o~',
'jobName': '推薦系統評測工程師',
'salaryDesc': '20-35K',
'jobLabels': ['深圳 南山區 科技園', '1-3年', '本科'],
'brandName': '騰訊',
'brandIndustry': '互聯網',
{'id': '94cfec046b98b9671H150tS8E1M~',
'jobName': '用戶數據挖掘工程師',
'salaryDesc': '20-40K·15薪',
'jobLabels': ['深圳 南山區 南山中心', '經驗不限', '本科'],
'brandName': '今日頭條',
'brandIndustry': '移動互聯網',
'lid': '411f6b88-8a83-437a-aa5f-5de0fc4da2b7.190-GroupC,194-GroupB.4'},
...]
複製代碼
city
, industry
, position
是上文已經爬取的數據對應ID字段;query
不用說就是查詢關鍵詞;這裏之因此使用兩個不一樣的方法,由於Boss
搜索崗位第一頁和第二頁及以後的頁面的URL組成結構不一樣,前者固定不變,後者是變化的。這也是爲何前文傳入配置字典的URL使用了函數形式。
所以,若是你只對查詢第一頁數據感興趣就使用queryjob
方法;若是你想繼續查看第二頁及之後的數據,就必須使用queryjobpage
方法。固然,事實上queryjobpage
的方法也能夠爬第一頁的數據,可是建議分開使用,這樣較不容易觸發反爬蟲機制。畢竟這是用戶正常訪問時行爲。
tencent_jobs1 = boss.queryjob(query='騰訊', city=101280600, industry=None, position=101301)
tencent_jobs2 = boss.queryjobpage(query='騰訊', city=101280600, industry=None, position=101301, page=2)
複製代碼
返回:
[{'jobName': '天衍實驗室-大數據及人工智能高級研究員',
'salaryDesc': '30-60K',
'jobLabels': ['深圳 南山區 科技園', '3-5年', '碩士'],
'brandName': '騰訊',
'brandIndustry': '互聯網',
'id': 'ce6f957a5e4cb3100nZ43dm6ElU~',
'lid': '22Uetj173Sz.search.1'},
{'jobName': 'QQ信息流推薦算法工程師/研究員',
'salaryDesc': '20-40K·14薪',
'jobLabels': ['深圳 南山區 科技園', '經驗不限', '本科'],
'brandName': '騰訊',
'brandIndustry': '互聯網',
'id': 'a280e0b17a2aeded03Fz3dq_GFQ~',
'lid': '22Uetj173Sz.search.2'},
...
複製代碼
本文首發公號