看完golang的文档,写个爬虫练手,记录下学习过程。项目地址:https://github.com/gushasha/boss-jobs
目标
目标站点是Boss直聘,以成都为例,爬取招聘信息,录入本地数据库。
字段9个,如下所示:
分析目标站点
url地址分析
进入boss直聘首页,城市切换为“成都”(可自行选择),选择热门职位“Java”(可自行填写或选择)。则跳转到新页面,地址为: https://www.zhipin.com/c101270100/?query=Java&industry=&position=
,其中:
-
c101270100
为城市代码(可审查元素查看其它城市代码) -
query=java
参数为语言类型(可审查元素查看其他语言类型)
分页分析
页面最底部的分页栏,点击页码"2"可以看到页面跳转到https://www.zhipin.com/c101270100/?query=Java&page=2&ka=page-2
,多了一个参数page=2
。页码部分审查元素,如下图:
页码规律为,参数page递增1。如何得知最后一页呢?
点击下页...下页..., 直到点不动(也可手动修改url参数的页码快速定位),审查元素,“下一页的图标” class 为disabled。因此,可以通过page内的最后一个a标签的class判断是否为最后一页。
<div class="page">
<a href="/c101270100/?query=Java&page=9" ka="page-prev" class="prev"></a>
<a href="/c101270100/?query=Java&page=1" ka="page-1">1</a>
<span>...</span>
<a href="/c101270100/?query=Java&page=8" ka="page-8">8</a>
<a href="/c101270100/?query=Java&page=9" ka="page-9">9</a>
<a href="javascript:;" class="cur" ka="page-cur">10</a>
<!-- 注意:最后一页的页面,page-next 的class为 disabled -->
<a href="javascript:;" ka="page-next" class="next disabled"></a>
</div>
安装启动项目
// 拉取项目代码
go get -u -v github.com/gushasha/boss-jobs
// govendor安装包和依赖
cd $GOPATH/src/github.com/gushasha/boss-jobs
govendor sync
// 修改配置文件
// 修改 `boss_jobs/conf/init.go`中的配置
// 创建数据库`spiders`,数据表`spiders_boss_jobs`
// 表结构在 `boss-jobs/docs`中
// 启动
go run main.go
// 进入数据库,查看
SELECT * FROM `spiders`.`spiders_boss_jobs`;
项目目录
$GOPATH/src/github.com/gushasha/boss-jobs/
|____docs
| |____spiders_boss_jobs.sql
|____main.go
|____models
| |____jobs.go
| |____model.go
|____parse
| |____jobs.go
|____vendor
| |____vendor.json
项目用到的包
-
github.com/PuerkitoBio/goquery
解析Dom -
github.com/jinzhu/gorm
数据库操作
初始化项目数据库
新建spiders
数据库,编码为utf8_general_ci
,在spiders
数据库下新建表spiders_boss_jobs
:
CREATE TABLE `spiders_boss_jobs` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`jid` varchar(255) NOT NULL DEFAULT '' COMMENT '第三方平台上的ID:jobID',
`job_type` varchar(30) NOT NULL COMMENT '工作类型',
`title` varchar(255) NOT NULL DEFAULT '' COMMENT '标题',
`salary_range` varchar(255) NOT NULL DEFAULT '' COMMENT '薪资范围',
`work_years` varchar(255) DEFAULT '' COMMENT '工作年限',
`education` varchar(255) DEFAULT '' COMMENT '学历要求',
`company_name` varchar(255) DEFAULT '' COMMENT '公司名称',
`company_address` varchar(255) NOT NULL DEFAULT '' COMMENT '公司地址',
`company_label` varchar(255) DEFAULT '' COMMENT '公司类型',
`financing_stage` varchar(255) DEFAULT '' COMMENT '融资阶段',
`company_employees_count` varchar(255) DEFAULT '' COMMENT '公司规模-员工人数',
`create_time` int(10) unsigned DEFAULT '0',
`update_time` int(10) unsigned DEFAULT NULL,
PRIMARY KEY (`id`),
UNIQUE KEY `uni_jid` (`jid`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT "boss招聘信息表";