job 网站爬取 python 职位信息

题目

在 51job 网站上，爬取 2020 年发布的 Python 开发工程师的职位的薪酬，计算北京地区改职位的平均薪酬。均要求采用多进程，或者多线程的方式完成

功能概述

使用 python 语言实现爬取 51job 网站的 2020 年的“python 开发工程师”的所有岗位信息，分别把每一条岗位信息按照[岗位，公司名称，公司地址，薪资，发布时间]存储到 MySQL 数据库中，实现数据存储和后面的查询检索筛选功能。使用 python 中的多线程库设计多线程爬虫来提高爬取速度。

爬取保存数据完毕后通过执行 Select 语句向数据库中查找相关信息，例如题目中的需求查找北京地区的所有薪资平均。通过计算后输出北京地区 python 开发工程师的平均薪资。

所使用关键 python 库

lxml.etree ：解析 HTML 为 HTML DOM 文档

使用 selector.xpath(xpath)根据 xpath 路径获得相应标签的内容

pymysql：提供 python 连接，使用，修改 MySQL 数据库的函数

threading ： python 中提供多线程设计的库

urllib ：根据 url 打开访问页面，读取网页数据

数据库表的设计

功能详细介绍

对于单条岗位信息的分析保存

首先通过浏览器获得每一条信息所在标签的 xpath 路径

然后通过调用 lxml.etree 中的 Element 对象的 getchildren()函数来获得

标签下的每一个子内容，如图中的一个 div element 通过调用 getchildren 可以返回他的 5 个标签，t1-t5，分别对应每一条岗位信息中需要获取的五个内容，之后通过字符串分割 split 的方法将五个内容取出来保存到列表中作为定义的函数的返回值

关键代码：

```c++ def get_one_item(items): # 获得一个信息条目的所有信息 info=[] try: item = items[0].getchildren() except IndexError: print("完毕") exit(0) try: for it in item: content = tostring(it, encoding="utf-8").decode('utf-8') # print(content)

        if ('<p class="e73_e1d3_d3d2bce t1' in content):  # 获取标题
            title = content.split('<a target="_blank" title="')[1]
            title = title.split('" href="')[0]
            info.append(title)

        if ('<span class="tdd_782e_2e9619f t2' in content):  # 获取公司名称
            company = content.split('<a target="_blank" title="')[1]
            company = company.split('" href="')[0]
            info.append(company)

        if ('<span class="u9f_1473_73b8714 t3' in content):  # 获取公司地址
            address = content.split('"t3">')[1]
            address = address.split('</span>')[0]
            info.append(address)

        if ('<span class="v83_a44e_4ee44a8 t4' in content):  # 获取工资
            salary = content.split('"t4">')[1]
            salary = salary.split('</span>')[0]
            info.append(salary)

        if ('<span class="x7b_4b4b_4ba46a4 t5' in content):  # 获取发布日期
            date = content.split('"t5">')[1]
            date = date.split('</span>')[0]
            info.append(date)
except IndexError:
    info=[]
    return info
    pass

return info

```

对于一个页面的所有信息的保存

通过网页 HTML 源码的分析可知，每个页面中的信息项的 xpath 路径中只有 div[]中的内容存在差别，分别是从 4 到 53，也就是说一个页面存在 50 条数据。

通过使用 for 循环来对每一条信息的 xpath 分别获得相应的标签内容

关键代码：

```c++

一个页面中的所有信息

def get_page_info(url): req = urllib.request.Request(url) html = urllib.request.urlopen(req).read() # 解析html为HTML DOM文档 selector = etree.HTML(html) # 抓取一项信息 page_info = [] for i in range(4, 54): # 获取所有的信息项目 xpa = '//*[@id="resultList"]/div[' + str(i) + ']' items = selector.xpath(xpa) if(len(get_one_item(items))!=0): page_info.append(get_one_item(items)) # print(get_one_item(items))

return page_info

```

将整理好的信息存入 MySQL 数据库

使用 pymysql 中的函数连接和操作本地 MySQL 数据库

关键代码：

```c++

存入数据库

 # 连接MYSQL数据库
 db = pymysql.connect(host='127.0.0.1', user='root', password='root', db='jobinfo', port=3306)
 print('连接数据库成功！')
 conn = db.cursor()  # 获取指针以操作数据库
 # conn.execute('set names utf8')
 for ite in pageInfo:
     for i in range(len(ite)):
         ite[i] = '"' + ite[i] + '"'
     sql = 'insert into `table`(岗位,公司名称,公司地址,薪资,发布日期) values({},{},{},{},{})'.format(ite[0], ite[1], ite[2], ite[3],
                                                                                     ite[4])
     conn.execute(sql)
     db.commit()
 db.close()

```

在 MySQL 数据库中的存储结果部分展示如下：

开启多个线程爬取网站

关键代码：

c++ num=[1] while num[0]<38: = threading.Thread(target=run_get(num,'thread_1')) start() = threading.Thread(target=run_get(num,'thread_2')) start() = threading.Thread(target=run_get(num, 'thread_3')) start() = threading.Thread(target=run_get(num, 'thread_4')) start()

本程序中使用四个线程进行爬取，其中 python 岗位信息一共有 38 个页面，分别对每一页的 url 进行修正，用于不同页面的加载，从而实现自动翻页操作

查询数据库获得北京地区的平均薪资

首先查找数据库中地址信息要使用模糊查找，因为爬取下来的地址信息中，北京包括不同的区，例如西城区，海淀区等等

sql = "SELECT 薪资 FROM table WHERE 公司地址 LIKE '北京%'"

在使用 select 语句时，仅查找北京开头的信息，从而实现了模糊查找。

然后将薪资信息进行累加求平均值，对于不同的薪资计算格式分别整理成元/月的单位。

关键代码：

```c++ for dic in data_dict: if("万/月" in dic['薪资']): value=dic['薪资'].split('万')[0] value=value.split('-') a=float(value[0]) 10000 b=float(value[1]) 10000 total+=(a+b)/2 elif("千/月" in dic['薪资']): value = dic['薪资'].split('千')[0] value = value.split('-') a = float(value[0]) * 1000 b = float(value[1]) * 1000 total += (a + b) / 2 elif("万/年" in dic['薪资']): value = dic['薪资'].split('万')[0] value = value.split('-') a = float(value[0]) * 10000/12 b = float(value[1]) * 10000/12 total += (a + b) / 2 elif("元/天" in dic['薪资']): value = dic['薪资'].split('元')[0] a = float(value[0]) * 30 total += a else: value = dic['薪资'].split('元')[0] a = float(value[0]) * 30*24 total += a

```

程序最后的平均薪资输出为：