最新Boss直聘爬虫系统(在跟~)
BOSS直聘爬虫经常会限制IP,我们采取控制浏览器的方法获取源码爬取
例子:以爬取 杭州市 "BI"岗位为例
需要源码的v+: marshal_wz
功能1:获取对应城市的岗位页面数量
因为BOSS直聘限制了用户只能看到10页数据,所以一般需要分不同区域的来进行爬取,但是也有些区域没有该岗位,导致爬取失败;
首先查看杭州市的所有城市的区号;见博客:https://blog.csdn.net/weixin_52001949/article/details/138193474
- 确定爬取的配置文件
- 获取每个区域存在岗位页码的数量。方便后面遍历爬取
- 可以看到有些地区是没有BI岗位的,最多的岗位区域是330110,余杭区
功能2:获取所有岗位详情的链接,存在本地
根据上述获取到的每个地区存在的最多页面,遍历的时候使用这个值作为最终遍历数。
python
岗位详情链接=[]
page_start=1
page_end=2
for area in areaBusiness:
page_start = 1
# 获取页码值,如果没有匹配的行,则默认为None
page_values = 对应页码表[对应页码表['城市'] == area]['页码'].values
page_end = page_values[0] if len(page_values) > 0 else None
if page_end is None:
continue
for i in range(page_start,int(page_end)+1):
print(area, i)
url = f'https://www.zhipin.com/web/geek/job?query={jobs[0]}&city={城市代码}&areaBusiness={code}&experience={experience}°ree={degree}'
# 使用 Playwright 同步 API
'获取源代码'
boss.get(url)
WebDriverWait(boss, 10).until(EC.visibility_of_element_located((By.CLASS_NAME, "options-pages")))
time.sleep(0.5)
boss_text = boss.page_source
soup = BeautifulSoup(boss_text, 'html.parser')
# 找到类名为"options-pages"的<div>标签
options_pages_div = soup.find('div', class_="options-pages")
# 在这个<div>内部找到所有的<a>标签
a_tags = options_pages_div.find_all('a') if options_pages_div else []
# 从找到的<a>标签中提取文本,忽略空白和非数字内容
numbers = [tag.text.strip() for tag in a_tags if tag.text.strip().isdigit()]
# 获取最后一个数字,如果存在的话
last_number = numbers[-1] if numbers else None
job_card_left_elements = soup.find_all(class_='job-card-left')
for element in job_card_left_elements:
href = element['href']
full_link = 'https://www.zhipin.com' + href
岗位详情链接.append(full_link)
df=pd.DataFrame({
'Name':岗位详情链接})f
文件名='岗位详情链接_BI_杭州.xlsx'
df.to_excel(f"{文件名}")
功能三:遇到需要验证,自动暂停爬取,提示需要手动验证
BOSS直聘会对任何频繁用户进行验证
我们通过控制企业微信的聊天机器人来提示用户需要验证,验证完成之后再进行爬取,基本上不到1000条数据会有提示。
具体链接到:https://blog.csdn.net/weixin_52001949/article/details/137915839?spm=1001.2014.3001.5502
python
for i in 岗位详情链接["Name"][s:e]:
count=count+1
print(f"开始爬取{count}")
# 打开网页
url =f'{i}'
boss.get(url)
time.sleep(random.uniform(10,20))
#遇到需要验证的话执行qywx_message提示函数。
if("点击进行验证" in boss.page_source or "您暂时无法继续访问" in boss.page_source):
print("报错")
count_end=count
qywx_message()
input()
boss.get(url)
time.sleep(random.uniform(10,20))
detail_code = boss.page_source
'执行爬取'
df = pd.concat([df, start_paqu(detail_code)], axis=0)
df.to_excel(f"{文件名}_爬取到{s}-{e}.xlsx")
else:
detail_code = boss.page_source
df = pd.concat([df, start_paqu(detail_code)], axis=0)
df.to_excel(f"{文件名}_爬取到{s}-{e}.xlsx")