Python零基础网络爬虫：抓取4A级猎头公司数据

一个人的心有多大，世界就有多大，只是太多的人只能看到眼前的苟且，于是自己的一生就和苟且做斗争，最后也只是输给了自己的眼界而已。今天要带大家抓取的是锐仕方达猎头网站，里面有很多成功的招聘案例，这是一个静态网站，适合初学者或者缺乏项目实战经验者学习，为了方便大家理解和阅读，我做了详细的思路剖析。

2.项目实战剖析网站分析：

目标源地址url: www.risfond.com/case/fmcg/2…

点击右键查看网页源代码，会发现上图方框内的内容在网页源代码（下图）是可以找到的！

所以我们可以使用python内置的模块去访问网址，这里可以用requests或者urllib，因为之前介绍过requests模块的使用，这里我们就不做过多阐述，直接用urllib开战！虽然requests真的好用太多，但初学者其实也是需要学习内容的，技术无罪。接下来就开始我们的实战！

实战思路剖析：

1.获取网站源码

2.从源码解析所需要的数据

3.数据存储到excel

实战步骤讲解第一步：获取网站源码

需要安装的库：pip install xlwt

第一步先导入urllib.request模块，记住python2跟3在模块上面使用是有区别的，这个模块就是如此。如果我们想访问多个页面的话需要找寻网站的网址规律是怎么样的http://www.risfond.com/case/fmcg/26700 ，http://www.risfond.com/case/fmcg/26701，点击网址下一条就可以发现网址的规律，网址后面的数字是发生了改变的，所以可以采用字符串格式化跟range函数，for in来进行使用，基础知识附带使用讲解下。复制代码

1.range函数可以生成一个整数序列，里面只有一个参数默认从0开始，2个参数是含头不含尾，示例如下：

2.字符串格式化，%s代表字符串，%d代表数字，当不知道用什么的情况下可以用%s代替，format是用{}.format()的方式做到字符串格式化的。

3.发送请求

for i in range(26700,26716):        url = 'http://www.risfond.com/case/fmcg/{}'.format(i)        html = urllib.request.urlopen(url).read().decode('utf-8')#urlopen打开网址 read 读取源代码        print(html)复制代码

第二步：从源码解析所需要的数据

这里用的是re正则表达式，可以根据一定的规则从源码中匹配出相对应的内容，打个比方说，我去水果店买西瓜，西瓜的特征是果绿色的外壳，红色的果肉，椭圆形状，都是根据这个特征去寻找的，在网站中间也是如此，获取的内容有着共同的标签比如div，而且都是在一样的html布局中，就可以写一个正则，用findall去从源码html中匹配出来。

page_list = re.findall(r'<div class='sc_d_c'>.*?<span class='sc_d_con'>(.*?)</span></div>',html)复制代码

第三步：数据存储到excel

根据内容，我觉得存储到excel表格里面会比较好，所以对每行也写了一定的注释，大家可以参考下！

newTable = 'test2019.xls'#表格名称    wb = xlwt.Workbook(encoding='utf-8') #创建excel文件  设置编码    ws = wb.add_sheet('rsfd')#表名称    headData = ['职位名称','职位地点','时间','行业','招聘时间','人数','顾问']    for colnum in range(0,7):        ws.write(0,colnum,heData[colnum],xlwt.easyxf('font:bold on'))    index = 1    for j in range(0,len(items)):#计算数据有多少条        for i in range(0,7):            print(items[j][i])            ws.write(index,i,items[j][i])#行数  列数   数据        index+=1    wb.save(newTable)#保存复制代码

结果如下：我们可以看到所有的数据都被抓下来，并且存储到名为test2019的文件夹了。