首页 > 编程 > Python > 正文

python2使用bs4爬取腾讯社招过程解析

2019-11-25 11:59:52
字体:
来源:转载
供稿:网友

目的:获取腾讯社招这个页面的职位名称及超链接 职位类别 人数 地点和发布时间

要求:使用bs4进行解析,并把结果以json文件形式存储

注意:如果直接把python列表没有序列化为json数组,写入到json文件,会产生中文写不进去到文件,所以要序列化并进行utf-8编码后写入文件。

# -*- coding:utf-8 -*-import requestsfrom bs4 import BeautifulSoup as bsimport jsonurl = 'https://hr.tencent.com/position.php?'params = {  'start':'10'}headers = {  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}# 获取腾讯社招某个页面的页面源码html = requests.get(url, params = params, headers = headers).text# 创建soup对象,使用lxml解析器soup = bs(html,'lxml')# 选取类名为odd和even的tr标签result1 = soup.select('tr[class="odd"]')result2 = soup.select('tr[class="even"]')# 列表拼接 l = [1,2] + [3,4],则列表l为[1,2,3,4]result = result1 + result2# 把数据存放在列表里面,列表的每个元素都为一个字典l = []data = {}for item in result:  # 获取标签的文本内容  job = item.find_all('a')[0].get_text().encode('utf-8')  category = item.find_all('td')[1].get_text().encode('utf-8')  number = item.find_all('td')[2].get_text().encode('utf-8')  address = item.find_all('td')[3].get_text().encode('utf-8')  public_time = item.find_all('td')[4].get_text().encode('utf-8')  # 获取标签的属性值  link = item.find_all('a')[0].attrs['href']  fulllink = ('https://hr.tencent.com/' + link).encode('utf-8')  data['job'] = job  data['category'] = category  data['number'] = number  data['address'] = address  data['public_time'] = public_time  data['fulllink'] = fulllink  l.append(data)  # 原来中文写不到文件里面的报错原因,没把python列表序列化为json数组  # with open('tencent.json','a') as f:  #  f.write(str(data) + '/n')# 方法1存储数据,上面字典的值不用先进行utf-8编码# 把数据以json文件形式存储# f = open('tencent.json','a')# 把python列表序转化为json对象。本地操作常用的是load dump。网络操作常用的loads dumps,而loads常用来把json格式转化为python格式,dumps把python格式序列为json格式# dictdata = json.dumps(l,ensure_ascii=False)# 把json对象写入json文件# f.write(dictdata.encode('utf-8'))# f.close()# 把数据存入tencent.json文件内json.dump(l,open('tencent.json','a'),ensure_ascii=False)

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持武林网。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表