python - 自动翻页
问题描述
我想做网络爬虫。
该网站是一个求职网站,“确实”
该网站由大约 16 页组成。
我想刮掉所有页面。
但我的代码只刮了一页。
我该如何解决?
import requests
from bs4 import BeautifulSoup
LIMIT = 50
URL = F"https://kr.indeed.com/jobs?q=python&limit=50&radius=25"
def get_last_page():
result = requests.get(URL)
soup = BeautifulSoup(result.text, "html.parser")
pagination = soup.find("div", {"class":"pagination"})
links = pagination.find_all('a')
pages = []
for link in links[:-1]:
pages.append(int(link.string))
max_page = pages[-1]
return max_page
def extract_job(html):
title = html.find("h2", {"class": "title"}).find("a")["title"]
company = html.find("span", {"class": "company"})
company_anchor = company.find("a")
if company_anchor is not None:
company = str(company_anchor.string)
else:
company = str(company.string)
company = company.strip()
location = html.find("span", {"location"}).string
job_id = html.find("h2",{"class":"title"}).find("a")["href"]
return {'title' : title, 'company': company, 'location':location, "link": f"https://kr.indeed.com{job_id}"}
def extract_jobs(last_page):
print(f"Scrapping page {page}")
jobs = []
for page in range(last_page):
result = requests.get(f"{URL}&start={page*LIMIT}")
soup = BeautifulSoup(result.text, "html.parser")
results = soup.find_all("div", {"class":"jobsearch-SerpJobCard"})
for result in results:
job = extract_job(result)
jobs.append(job)
return jobs
def get_jobs():
last_page = get_last_page()
jobs = extract_jobs(last_page)
return jobs
解决方案
从第一页切换到其他页面后,您会在 URL 中看到“&start=”,因此我们可以将此参数添加到 for 循环中并获取所有页面,如下所示:
URL = F"https://kr.indeed.com/jobs?q=python&limit=50&radius=25&start="
def get_page(page_number):
res = requests.get(f'{URL}{(page_number-1)*50}')
soup = BeautifulSoup(res.content, 'lxml')
return soup.find('div', attrs={"id": 'searchCountPages'}) # returns the page number from request
number_of_pages = 16
for i in range(1, number_of_pages + 1):
print(get_page(i))
打印每个请求后,我们可以看到它一页一页地遍历所有页面。
推荐阅读
- angular - 使用angular6的材料中的可扩展搜索栏
- android - Android 在双卡手机中发送短信
- javascript - jquery 选择器的元素 id 中的小数位
- c# - 为什么 BinaryReader.ReadInt64() 将数据分别读取为上/下?
- javascript - 将 filter() 和 reduce() 组合成仅 reduce() -JavaScript
- html - 使用 flexbox 在具有共享标题的两列布局中拉伸列
- php - 无法更改 octoberCMS 中的 .env 值
- electron - 使用 IndexedDB 打开两个 Web 应用程序 (Electron) 实例
- android - 无法打开 Android Studio 并出现 Invalid Log Path 错误
- performance-testing - 如何计算页面响应时间?