# 数据 | 通过Web Scraper获取职位信息

**Published by:** [一点儿知识](https://paragraph.com/@0x0f3193886ae7ecf1bb1d335c375a0526d4522b34/)
**Published on:** 2022-06-03
**URL:** https://paragraph.com/@0x0f3193886ae7ecf1bb1d335c375a0526d4522b34/web-scraper

## Content

💡 Web Scraper下载地址： https://chrome.google.com/webstore/detail/web-scraper-free-web-scra/jnhgnonknehpejjnehehllkliplmbmhn?hl=zh-CN 最近想通过爬虫爬一下招聘网站的职位信息，但又不会写代码，就想通过Web Scraper插件来代劳，网上虽然有很多教程，但都不太适合我，或者就是教程的无用信息太多，对于只是使用它的用户来说，内容就显得非常冗余。所以我打算写一篇简短且实用的文章，如果想深入研究，建议可以阅读下方的官方文档。安装教程我就不写了，打开上方的链接一键安装就行了（打不开链接的用户去百度搜索一下“谷歌打不开怎么办？”）。 💡 官方文档:https://webscraper.io/documentation 首先，我需要明确一下我的爬取目标，我需要找到Boss直聘上： 1、地理位置在成都 2、数据分析相关职位 3、爬取薪资、学历、福利待遇、职位描述、公司名称、公司地理位置 接下来，我们开始获取以上信息: 通过Boss直聘网站我们完成了前两项的筛选。 我们通过快捷键MacCommand+Option+I ;WinCtrl+Shift+I 打开Web Scraper，选择Creat Sitemap。 输入我们为该事件取的名字和粘贴刚才确定好条件的Boss直聘链接。 接下来，重点部分来了，我们需要开始创建选择器了，首先我们需要知道的是选择器是带有层级概念的，我将我的查询分为了四个部分: 第一个是不同页的抓取 第二个是不同块的抓取 第三个是块中元素的抓取 第四个是页内元素抓取 现在你可能还不太理解，没关系，跟着我一起实践。 https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDCcMNjZYiaj396CjTJ89S4mjC36MzlzLDRPsxug5z1bMdbHLfCH4kkKg/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 通过上方的动图我已经完成了第一步不同页的抓取，让我再详细的讲解一下原理： 首先我点击了之前创建的Sitemap,开始在该页面创建抓取要求，因此我新建了一个选择器（Add new selecter）并命名为Page，目的是为了实现在不同页之间抓取。 其次，我选择了抓取类型为Pagination（页码），然后点击了Select选择该页最下方的页选项（通常我们选择两项后该插件就会自动补齐剩余内容），之后选择Done Selecting完成选择。 💡 比较遗憾的是，Pagingation会一次性的查询搜索结果的所有页内容，我这里搜索结果达到10页，如果只是爬取3页，这个方法就有点不可行了，解决方案如下: 我们将 https://www.zhipin.com/c101270100/?query=数据分析师&page=1&ka=page-1 改为 https://www.zhipin.com/c101270100/?query=数据分析师&page=[1-3]&ka=page-[1-3] 重新创建一个Sitemap即可。 接下来我们讲解页面中不同块的抓取： https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDUe2AEd4qGRwJdCzDxS7z7RpT9MH3zhFKHmhibXdeBSLDBkTjI42Tg4g/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 我们仍然在Pagination的Sitemap进行抓取，以方便大家理解抓取的层级结构： 我们在Pagination的同级建立了新的选择器，然后命名为block，抓取类型选择了Element（元素），这里的一个元素就是一块内容，我们选择2个块后，插件自动选择了页面中的所有块，然后选择Done Selecting完成选择，仔细看你会发现，我们选择完成后会自动填入.job-list li:nth-of-type(-n+6) ，从代码来看，其实上方并未自动完后所有元素的填充，所以操作是错误的，我们需要记住:nth-of-type(-n+6) 这个代码，因为它的本质就是抓取量的筛选，我们可以把6修改为任意数字，也就是抓取任意多条数的内容，其实这里就是限制抓取页面6个元素，正确的情况应该是.job-list li ，另值得注意的是，我们一定要勾选Multiple ，否则抓取结果会只有一个。 抓取块的目的是为了进一步的抓取块中的元素，也就来到了第三部分: https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDhc3e3YaDnNPE3Jdicq095F8wvViaFHshpEyHVibNt5QtfEBan7eBQBRGw/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 限于Gif大小，我仅展示薪水的抓取，其它元素的抓取方法相同，我们选择抓取类型为文本（Text），然后直接选择对应文本即可，需要注意这里千万不能勾选Multiple ，因为我们在block中已经勾选了多个block，这里就无须再次勾选。 最后，如果我们还想要抓取到页内的内容，我们只需要增加一个Link类型的抓取，并点击进入详情页抓取需要的内容 https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDFNomfu36Dp4osRlib8dGJtCOQg4nW1e1e1D2h2jiaDd1ia2XVJqb4xoEQ/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 这里我把需要的能力给抓取了下来： https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDmpOO4yy7EtWIMznENxXfCZUDnzICPegYUib7wpvgMVaVLfYDOQjjzUA/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 到这里，我们的整个抓取流程就结束了，我们来看一下我们的抓取结构，选择Selecter Graph。 通过该图我们能更清楚地知道我们的抓取层级，页之间的循环抓取、页中区块的抓取实际上是两个同级的参数，而区块中的各参数与区块是父子关系，页内参数也和跳转链接是父子关系，明白这样的层级之后，我们就可以抓取所有的网页内容。 现在我们就可以选择Scrape进行内容抓取了。 接下来是设置间隔时间，一般情况下默认2000ms就行了，数据量大可以延长间隔时间。 抓取完成后，我们点击Refresh data就可以加载出数据了。 然后选择Export Data导出数据。 最终数据结果如图: 此外，表格类型抓取我觉得也可以用一下，因为从网上复制粘贴的效果不太好。 https://mmbiz.qpic.cn/mmbiz_gif/mP5Lm5f7OSMPQDbibqrX4biaMDYaJYHicYDoYT7ciaicCLOX1YYJEiaH7jgQ0emhv1ZxibfrPMb6hJPpbOn6H2ice2CoVg/640?wx_fmt=gif&wxfrom=5&wx_lazy=1 表格抓取的操作非常简单，只需要创建表格页面的Sitemap，然后新建表格类型选择器，选择对应表格即可，导出结果如下: 此外，还有几种类型的抓取，不经常用到，有兴趣可以自己去研究。

## Publication Information

- [一点儿知识](https://paragraph.com/@0x0f3193886ae7ecf1bb1d335c375a0526d4522b34/): Publication homepage
- [All Posts](https://paragraph.com/@0x0f3193886ae7ecf1bb1d335c375a0526d4522b34/): More posts from this publication
- [RSS Feed](https://api.paragraph.com/blogs/rss/@0x0f3193886ae7ecf1bb1d335c375a0526d4522b34): Subscribe to updates
- [Twitter](https://twitter.com/Alexcoin00): Follow on Twitter