python爬取西北大学就业信息网并且按宣讲顺序排序

参考了http://blog.csdn.net/pleasecallmewhy/article/details/8934726

 西北大学就业信息网如下：

         就业信息是按发布日期排序，而不是按宣讲日期排序。如果我想知道11月10日有哪些招聘单位，还要每页的翻看，而已有可能漏掉，简直太不人性化。

         所以我就把所有的就业信息给爬取了出来，并且按照宣讲顺序进行了排序。

         主要思路：  按下F12，查看源代码，查找出所有的标题：字符串1 ，再从标题中查找出日期：字符串2，再找出所有的发布日期：字符串3。输出结果=字符串1+字符串2+字符串3.

例如第一个标题：

 

所以对应的程序为：

    # 获取页面源码并将其存储到数组中    def get_data(self, url, endPage):            url = url + '&page='            for i in range(1, endPage + 1):                print u'爬虫报告：正在爬取第%d页...' % i                myPage = urllib2.urlopen(url + str(i)).read()                myItems = re.findall('news_show.aspx.*?>(.*?)<', myPage.decode('utf-8'), re.S)                send_times = re.findall('adding-right.*?>(.*?)<a', myPage.decode('utf-8'), re.S)                for item in myItems:                    data = self.myTool.Replace_Char(item.replace("", "").encode('utf-8'))                    self.datas.append(data)                for times in send_times:                    data_times = self.myTool.Replace_Char(times.replace("", "").encode('utf-8'))                    self.data_timeS.append('  '+data_times + '\n' + '\n')

爬取10页数据，程序运行状态截图：

      

爬取结果输出的txt如下：

      

全部代码如下（因为用的别处的DEMO，所以可能有不相关的地方）：          

# coding=UTF-8# -*- coding: utf-8 -*-# ---------------------------------------#   程序：西北大学就业信息网#   版本：0.1#   作者：LZX#   日期：2016-10-28#   语言：Python 2.7#   操作：输入网址后自动只看楼主并保存到本地文件#   功能：将楼主发布的内容打包txt存储到本地。# ---------------------------------------import stringimport urllib2import renian=['月'];yue=['日  '];st=[1]*300;o=['0'];end_page=int(10);end_Number=int(end_page*12);# ----------- 处理页面上的各种标签 -----------class HTML_Tool:    # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")    # 用非 贪婪模式 匹配 任意<>标签    EndCharToNoneRex = re.compile("<.*?>")    # 用非 贪婪模式 匹配 任意<p>标签    BgnPartRex = re.compile("<p.*?>")    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")    CharToNextTabRex = re.compile("<td>")    # 将一些html的符号实体转变为原始符号    replaceTab = [("<", "<"), (">", ">"), ("&", "&"), ("&", "\""), (" ", " ")]    def Replace_Char(self, x):        x = self.BgnCharToNoneRex.sub("", x)        x = self.BgnPartRex.sub("\n    ", x)        x = self.CharToNewLineRex.sub("\n", x)        x = self.CharToNextTabRex.sub("\t", x)        x = self.EndCharToNoneRex.sub("", x)        for t in self.replaceTab:            x = x.replace(t[0], t[1])        return xclass Baidu_Spider:    # 申明相关的属性    def __init__(self, url):        self.myUrl = url        self.datas = []        self.data_timeS = []        self.myTool = HTML_Tool()        print u'已经启动爬虫，咔嚓咔嚓'    # 初始化加载页面并将其转码储存    def baidu_tieba(self):        # 读取页面的原始信息并将其从gbk转码        myPage = urllib2.urlopen(self.myUrl).read().decode('utf-8')        # 计算楼主发布内容一共有多少页        endPage = self.page_counter(myPage)        # 获取该帖的标题        title = self.find_title(myPage)        print u'文章名称：' + title        # 获取最终的数据        self.save_data(self.myUrl, title, endPage)    # 用来计算一共有多少页    def page_counter(self, myPage):        # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页        myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)        if myMatch:            endPage = end_page            print u'爬虫报告：发现楼主共有%d页的原创内容' %endPage        else:            endPage = end_page            print u'爬虫报告：爬取前10页数据！'        return endPage    # 用来寻找该帖的标题    def find_title(self, myPage):        # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题        myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)        title = u'校园招聘'        if myMatch:            title = 22        else:            print u'爬虫报告：无法加载文章标题！'        # 文件名不能包含以下字符： \ / ： * ? " < > |        title = title.replace('\\', '').replace('/', '').replace(':', '').replace('*', '').replace('?', '').replace('"',                                                                                                                    '').replace(            '>', '').replace('<', '').replace('|', '')        return title        # 用来存储楼主发布的内容    # 将内容从页面代码中抠出来        #def deal_data(self, myPage):    # 获取页面源码并将其存储到数组中    def get_data(self, url, endPage):            url = url + '&page='            for i in range(1, endPage + 1):                print u'爬虫报告：正在爬取第%d页...' % i                myPage = urllib2.urlopen(url + str(i)).read()                myItems = re.findall('news_show.aspx.*?>(.*?)<', myPage.decode('utf-8'), re.S)                send_times = re.findall('adding-right.*?>(.*?)<a', myPage.decode('utf-8'), re.S)                for item in myItems:                    data = self.myTool.Replace_Char(item.replace("", "").encode('utf-8'))                    self.datas.append(data)                for times in send_times:                    data_times = self.myTool.Replace_Char(times.replace("", "").encode('utf-8'))                    self.data_timeS.append('  '+data_times + '\n' + '\n')                # 将myPage中的html代码处理并存储到datas里面                # self.deal_data(myPage.decode('utf-8'))    def save_data(self, url, title, endPage):                # 加载页面数据到数组中                self.get_data(url, endPage)                # 打开本地文件                f = open(title + '.txt', 'w+')                for i in range(0, end_Number):                    time = re.findall(r'\d+', self.datas[i])                    if int(time[0])<10:                        time[0]=o[0]+time[0]                    if int(time[1])<10:                        time[1]=o[0]+time[1]                    st[i] = time[0]+nian[0]+ time[1]+yue[0]                    self.datas[i] = st[i]+ self.datas[i]+self.data_timeS[i]                for i in range(0, end_Number-2):                    for j in range(0, end_Number-1):                        if st[j] <= st[j + 1]:                            zj_str = self.datas[j]                            zj_time = st[j]                            st[j] = st[j + 1]                            self.datas[j] = self.datas[j + 1]                            st[j + 1] = zj_time                            self.datas[j + 1] = zj_str                f.writelines(self.datas)                f.close()                print u'爬虫报告：文件已下载到本地并打包成txt文件'                print u'请按任意键退出...'                raw_input();# -------- 程序入口处 ------------------print u"""#---------------------------------------#   程序：西北大学就业信息网#   版本：0.1#   作者：lzx#   日期：2016-10-28#   语言：Python 2.7#   操作：输入网址后自动只看楼主并保存到本地文件#   功能：将楼主发布的内容打包txt存储到本地。#---------------------------------------"""# 以某小说贴吧为例子# bdurl = http://jiuye.nwu.edu.cn/website/news_list.aspx?category_id=46print u'请输入ok开始爬虫：'if raw_input()=='ok':    bdurl = 'http://jiuye.nwu.edu.cn/website/news_list.aspx?category_id=46'# 调用mySpider = Baidu_Spider(bdurl)mySpider.baidu_tieba()