俺又回來嘍·(。???)ノ
在昨天的二號版本中內褲沒洗有點騷:爬蟲在手,工作休走。python+selenium爬取前程無憂(2)有一個非常尷尬的問題,那就是爬取得到的數據的後四個容易出現重複
看上面圖會發現後四個框里有好多「克隆」的數據,這是為什麼呢?(⊙_⊙)?原因我也不太清楚,可能在for循環里使用click()容易造成卡克,導致數據讀取重複吧.....可憐了我辛辛苦苦寫的代碼>﹏<,為了數據的準確,只能再想別的方法了。
不過這個錯誤的代碼我還是會保存的,以後說不定能用來當障眼法。( $ _ $ )
整理思路
1.之所以數據會重複,應該是因為網址獲取重複了,所以會導致後三個在同一頁上的數據重複,所以得先得到正確的網址
2.試試第一條是不是對的( ?? ω ?? )y
找網址其實不難,每個在class=t1里的a標籤都有,但是如何把這個從新標籤頁里打開呢
在我不懈努力(厚顏無恥)的情況下,終於在csdn上找到了一個用js語言來打開標籤的方法。
然後就簡單啦,利用lxml里的etree來解析網頁再用xpath提取,過程蛋疼了點就不上圖了。
現在奉上代碼,加了注釋,免得以後自己都忘了自己寫的啥o(* ̄▽ ̄*)o
一些配置代碼,起名為__init__放在同級目錄下 localhost="localhost" root="root" password="123" database="mytest" use="use mytest" url="https://www.51job.com/" Table=input("please input the table name") INPUT= str(input("please input the profession")) p=input("please input the place you want") page=int(input("please input the page you want")) drop="drop table if exists %s"%Table create="create table %s(position varchar(255) NOT NULL,company varchar(255),workplace varchar(255),salary varchar(255),dateline varchar(255),experience varchar(255),degree varchar(255),want varchar(255),url varchar(255))"%Table savein="insert into "+str(Table)+"(position,company,workplace,salary,dateline,experience,degree,want,url) values(%s,%s,%s,%s,%s,%s,%s,%s,%s)"
from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support import expected_conditions as EC from selenium.webdriver.support.wait import WebDriverWait from selenium.webdriver.common.keys import Keys import pymysql import time from lxml import html import random from __init__ import * etree=html.etree class Qcwy(): def __init__(self): self.conn = pymysql.connect(localhost, root, password, database) #初始化,連接資料庫 self.cursor = self.conn.cursor() self.cursor.execute(use) #選定資料庫 self.cursor.execute(drop) sql = create self.cursor.execute(sql) #創建表 def start(self): self.browser=webdriver.Chrome() #啟動Chrome瀏覽器 self.browser.get(url) #獲取網址:前程無憂 self.wait=WebDriverWait(self.browser,10) input=self.wait.until(EC.element_to_be_clickable((By.ID,"kwdselectid"))) input.send_keys(INPUT) #輸入查找的職位名 add=self.wait.until(EC.element_to_be_clickable((By.ID,"work_position_input"))) add.click() time.sleep(1) if self.browser.find_element_by_xpath(//*[@id="work_position_click_multiple_selected_each_120000"]/em): cancel=self.browser.find_element_by_xpath(//*[@id="work_position_click_multiple_selected_each_120000"]/em).click() time.sleep(1) #取消定位地點 #單個選擇方法: place=self.browser.find_element_by_xpath(//*[@id="work_position_click_center_right_list_000000"]//*[@class="js_more"]/em[contains(text(),"%s")]%p) place.click() #選擇地點 #多個選擇方法暫無{{{(>_<)}}} #隨機選取5個方法: # adds=browser.find_elements_by_xpath(//*[@data-navigation="000000"]) # slice=random.sample(adds,5) # for s in slice: # s.click() ok=self.wait.until(EC.element_to_be_clickable((By.CLASS_NAME,"p_but"))) ok.click() button=self.wait.until(EC.element_to_be_clickable((By.XPATH,"/html/body/div[3]/div/div[1]/div/button"))) button.click() #職位查找完畢,準備開始爬取 def crawl(self): time.sleep(1) i=0 lists = self.browser.find_elements_by_xpath(//*[@class="el"]) #得到所有列表 for list in lists : if i<page: current=self.browser.current_window_handle positions=self.browser.find_elements_by_class_name(t1) companies=self.browser.find_elements_by_class_name(t2) #分類 workplaces=self.browser.find_elements_by_class_name(t3) salaries=self.browser.find_elements_by_class_name(t4) datelines=self.browser.find_elements_by_class_name(t5) urls=self.browser.find_elements_by_xpath(//*[@id="resultList"]/div/p/span/a) for position,company,workplace,salary,dateline,url in zip(positions,companies,workplaces,salaries,datelines,urls): p=position.text #得到每個分類的字元串 c=company.text w=workplace.text s=salary.text d=dateline.text u=url.get_attribute(href) #得到url js=window.open("%s")%u self.browser.execute_script(js) #打開新標籤頁,前往職位具體信息 windows = self.browser.window_handles self.browser.switch_to.window(windows[-1]) #切換標籤頁 htmlDiv=etree.HTML(self.browser.page_source) experience=htmlDiv.xpath("/html/body/div[3]/div[2]/div[2]/div/div[1]/p[2]/text()[2]") degree=htmlDiv.xpath("/html/body/div[3]/div[2]/div[2]/div/div[1]/p[2]/text()[3]") want=htmlDiv.xpath("/html/body/div[3]/div[2]/div[2]/div/div[1]/p[2]/text()[4]") #得到具體信息 for e,de,wa in zip(experience,degree,want): print(p + " ", c + " ", w + " ", s + " ", d + " ", e + " ", de + " ", wa + " ", u + " ") #輸出所有信息 try: self.cursor.execute(savein,(p,c,w,s,d,e,de,wa,u)) self.conn.commit() #存入資料庫 except: print("error") self.browser.switch_to.window(current) allchung=self.browser.window_handles #關閉除主頁面的標籤頁 for handle in allchung: if handle!=current: self.browser.switch_to.window(handle) self.browser.close() self.browser.switch_to.window(current) i=i+1 nextpage=self.wait.until(EC.element_to_be_clickable((By.LINK_TEXT,"下一頁"))) #前往下一頁 nextpage.click() else: self.browser.quit() #關閉瀏覽器 self.conn.close() #收工 if __name__=="__main__": #主方法 q=Qcwy() q.start() q.crawl()
最後做一個實站吧,還是爬在北京的Java工作,這回數據不會再錯嘍O(∩_∩)O
完成(o?v?)ノ
這樣的話這個爬蟲差不多就完工了,如果有條件的話,我會抽空加選擇多個地點爬取的方法哦。