python爬虫-1w+套个人简历模板爬取

更新时间:2021-03-04 15:49:03点击次数:884次
源码以及注释
import requests  # 发送请求
from lxml import etree  # 数据解析
import time  # 线程暂停,怕封ip
import os  # 创建文件夹
# 由于目标网站更新了反爬虫机制,简单的UA伪装不能满足我们的需求,所有对整个消息头进行了伪装
headers = {
    'Accept':
        'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Encoding':
        'gzip, deflate, br',
    'Accept-Language':
        'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
    'Cache-Control':
        'max-age=0',
    'Connection':
        'keep-alive',
    'Cookie':
        '__gads=undefined; Hm_lvt_aecc9715b0f5d5f7f34fba48a3c511d6=1614145919,1614755756; '
        'UM_distinctid=177d2981b251cd-05097031e2a0a08-4c3f217f-144000-177d2981b2669b; '
        'sctj_uid=ccf8a73d-036c-78e4-6b1d-6035e961b0d3; '
        'CNZZDATA300636=cnzz_eid%3D1737029801-1614143206-%26ntime%3D1614759211; '
        'Hm_lvt_398913ed58c9e7dfe9695953fb7b6799=1614145927,1614755489,1614755737; '
        '__gads=ID=af6dc030f3c0029f-226abe1136c600e4:T=1614760491:RT=1614760491:S=ALNI_MZAA0rXz7uNmNn6qnuj5BPP7heStw; '
        'ASP.NET_SessionId=3qd454mfnwsqufegavxl5lbm; Hm_lpvt_398913ed58c9e7dfe9695953fb7b6799=1614760490; '
        'bbsmax_user=ce24ea68-9f80-42e3-8d4f-53b13b13c719; avatarId=a034b11b-abc9-4bfd-a8b2-bdf7fef644bc-; '
        'Hm_lpvt_aecc9715b0f5d5f7f34fba48a3c511d6=1614756087',
    'Host':
        'sc.chinaz.com',
    'If-None-Match':
        '',
    'Referer':
        'https://sc.chinaz.com/jianli/free.html',
    'Upgrade-Insecure-Requests':
        '1',
    'User-Agent':
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0',
}
# 如果该文件夹不存在,则创建文件夹
if not os.path.exists('./moban'):
    os.mkdir('./moban')
for i in range(1, 701):  # 预计可爬700*20套简历模板
    print("怕封ip,操作暂停中......")  # 操作暂停提示语
    time.sleep(15)  # 每获取一个列表页暂停15s,一个列表页有20分简历模板的链接
    url = f'https://sc.chinaz.com/jianli/free_{str(i)}.html'  # 设置相应的路由i
    try:  # 异常处理
        response = requests.get(url=url, headers=headers)
    except Exception as e:
        print('连接失败,选择跳过!!!')  # 连不上就不要连了,头铁容易出事
    response.encoding = 'utf-8'  # 中文编码为utf-8
    page = response.text  # 获取响应的文本数据
    tree = etree.HTML(page)  # 用etree进行数据解析
    a_list = tree.xpath("//div[@class='box col3 ws_block']/a")  # 用xpath提取目标内容形成20份一起的列表
    for a in a_list:
        resume_href = 'https:' + a.xpath('./@href')[0]  # 根据爬取的链接设置新的网页
        resume_name = a.xpath('./img/@alt')[0]  # 爬取名字,并对列表进行切片取第一个
        try:  # 异常处理
            resume_response = requests.get(url=resume_href, headers=headers)  # 进入简历模板详情页面
        except Exception as e:
            print('连接失败,选择跳过!!!')  # 连不上就不要连了,头铁容易出事
        resume_response.encoding = 'utf-8'  # 中文编码为utf-8
        resume_page = resume_response.text  # 获取响应的文本数据
        resume_tree = etree.HTML(resume_page)  # 用etree进行数据解析
        resume_link = resume_tree.xpath('//ul[@class="clearfix"]/li/a/@href')[0]  # 用xpath提取目标内容的下载链接
        try:  # 异常处理
            download = requests.get(url=resume_link, headers=headers).content  # 获取二进制数据
        except Exception as e:
            print('连接失败,选择跳过!!!')  # 进入简历模板详情页面
        download_path = './moban/' + resume_name + '.rar'  # 设置保存路径以及文件名称
        with open(download_path, 'wb') as fp:  # 设置文件制作,以二进制形式
            fp.write(download)  # 保存文件
            print(resume_name, '下载成功!!!')  # 下载成功提示语
        print("怕封ip,操作暂停中......")  # 操作暂停提示语
        time.sleep(5)  # 每下载一份模板暂停5s

效果

本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责,本站只提供参考并不构成任何投资及应用建议。本站是一个个人学习交流的平台,网站上部分文章为转载,并不用于任何商业目的,我们已经尽可能的对作者和来源进行了通告,但是能力有限或疏忽,造成漏登,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息