昨天一个朋友说最近想换工作。想让我帮看下Boss现在的招聘情况如何。正好想到上个月写了个开源爬虫框架kcrawler，最后添加了一个Boss类支持，可以实现快速根据关键词查询不同岗位，不同行业的的招聘情况。有现成可用的库，帮助朋友也是举手之劳。
1. 安装
kcrawler是开源的。开发同学可以选择clone源码。但是如果想省事，就直接pip install，然后导入项目使用即可。
pip install kcrawler
复制代码2. 使用
提供两个类。
- Crawler: 简单配置爬取任意网站
- Boss: Boss专用(本文推荐)
2.1 爬虫基类 Crawler
kcrawler 提供了一个爬虫基类 Crawler , 它封装了一个通用型爬虫的基础功能。通过传入配置字典来实例化一个网站的crawler对象，然后调用对象的crawl方法，即可实现指定目标数据的爬取。支持html,json,图像的爬取。以下为Boss的配置示例。
def queryjobpage_url(x):
p = list()
if x[0]:
p.append('i' + str(x[0]))
if x[1]:
p.append('c' + str(x[1]))
if x[2]:
p.append('p' + str(x[2]))
return 'https://www.zhipin.com/{}/'.format('-'.join(p))
config = {
'targets': {
'city': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/city.json',
'method': 'get',
'type': 'json'
},
'position': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/position.json',
'method': 'get',
'type': 'json'
},
'industry': {
'url': 'https://www.zhipin.com/wapi/zpCommon/data/oldindustry.json',
'method': 'get',
'type': 'json'
},
'conditions': {
'url': 'https://www.zhipin.com/wapi/zpgeek/recommend/conditions.json',
'method': 'get',
'type': 'json'
},
'job': {
'url': 'https://www.zhipin.com/wapi/zpgeek/recommend/job/list.json',
'method': 'get',
'type': 'json'
},
'queryjob': {
'url': 'https://www.zhipin.com/job_detail/',
'method': 'get',
'type': 'html'
},
'queryjobpage': {
'url': queryjobpage_url,
'method': 'get',
'type': 'html'
},
'jobcard': {
'url': 'https://www.zhipin.com/wapi/zpgeek/view/job/card.json',
'method': 'get',
'type': 'json'
}
}
}
crawler = Crawler(config)
复制代码现在完成了爬虫对象的创建。有过爬虫经验的同学可能已经注意到了，怎么没有headers？事实上，有两种方法传入headers。一种是直接在配置字典config增加headers键值。例如：
在浏览器里整个复制Request Headers，以文档字符串的形式赋值给变量headers。
headers = '''
:authority: www.zhipin.com
:method: GET
:path: /
....
cookie: xxx
....
user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36
'''
config = {'headers': headers, 'targets': { ... }}
复制代码第二种推荐的方式是在当前目前下新建一个文件名为headers的文件。以同样的方法在浏览器复制整个headers字符串覆盖这个文件，直接覆盖，不用加文档字符变量。当config字典没有提供headers字段时，Crawler会自动从headers文件读取headers字符串。
完成以上步骤，即可调用crawler.crawl(target)方法爬取数据了。其中target是配置字典config中targets定义的键。
data = crawler.crawl('job')
复制代码2.2 Boss 类
使用Crawler爬取的数据是网站的原始数据的，虽然已经转换成字典或者列表，但是要进一步得到感兴趣的字段，还需要自己提取。但是kcrawler已经提供了一个Boss类可以直接使用。
当然还是建议你先按照前文的方法先在浏览器中复制Request Headers，保存到当前目录下的headers文件中。然后就可以愉快地使用Boss类实例化一个对象，爬取感兴趣的数据。
from kcrawler import Boss
boss = Boss()
复制代码看到如下输出，表示成功读取到headers文件的内容。
read heades from file.
parse headers
复制代码2.2.1 招聘城市
cities = boss.city()
复制代码返回：
[{'id': 101010000,
'name': '北京',
'pinyin': None,
'firstChar': 'b',
'rank': 1,
'children': [{'id': 101010100,
'name': '北京',
'pinyin': 'beijing',
'firstChar': 'b',
'rank': 1}]},
{'id': 101020000,
'name': '上海',
...
]
复制代码2.2.2 热门城市
hotcities = boss.hotcity()
复制代码返回：
[{'id': 100010000, 'name': '全国'},
{'id': 101010100, 'name': '北京'},
{'id': 101020100, 'name': '上海'},
{'id': 101280100, 'name': '广州'},
{'id': 101280600, 'name': '深圳'},
{'id': 101210100, 'name': '杭州'},
...]
复制代码2.2.3 当前登陆用户所在城市
user_city = boss.userCity()
复制代码返回：
嘿嘿，就不告诉你。。。
复制代码2.2.4 行业
industries = boss.industry()
复制代码返回：
[{'id': 100001, 'name': '电子商务'},
{'id': 100002, 'name': '游戏'},
{'id': 100003, 'name': '媒体'},
{'id': 100004, 'name': '广告营销'},
{'id': 100005, 'name': '数据服务'},
{'id': 100006, 'name': '医疗健康'},
{'id': 100007, 'name': '生活服务'},
{'id': 100008, 'name': 'O2O'},
{'id': 100009, 'name': '旅游'},
{'id': 100010, 'name': '分类信息'},
{'id': 100011, 'name': '音乐/视频/阅读'},
{'id': 100012, 'name': '在线教育'},
{'id': 100013, 'name': '社交网络'},
...]
复制代码2.2.5 当前登陆用户期望岗位（三个）
expects = boss.expect()
复制代码返回：
[{'id': xxx, 'positionName': 'xxx'},
{'id': xxx, 'positionName': 'xxx'},
{'id': xxx, 'positionName': 'xxx'}]
复制代码2.4.6 给当前登陆用户推荐的岗位列表
boss.job(i, page) 方法需要提供两个参数，第一个是boss.expect()返回列表的索引，例如0代表第一个期望岗位的推荐岗位；第二个参数page用于指定数据分页，例如1是第一页。
jobs = boss.job(0, 1)
复制代码返回:
[{'id': 'be8bfdcdf7e99df90XV-0t-8FVo~',
'jobName': '深度学习平台经理/技术中级',
'salaryDesc': '30-50K',
'jobLabels': ['深圳 福田区 购物公园', '5-10年', '本科'],
'brandName': '中国平安',
'brandIndustry': '互联网金融',
'lid': '411f6b88-8a83-437a-aa5f-5de0fc4da2b7.190-GroupC,194-GroupB.1'},
{'id': 'f649c225a1b9038f0nZ609W5E1o~',
'jobName': '推荐系统评测工程师',
'salaryDesc': '20-35K',
'jobLabels': ['深圳 南山区 科技园', '1-3年', '本科'],
'brandName': '腾讯',
'brandIndustry': '互联网',
{'id': '94cfec046b98b9671H150tS8E1M~',
'jobName': '用户数据挖掘工程师',
'salaryDesc': '20-40K·15薪',
'jobLabels': ['深圳 南山区 南山中心', '经验不限', '本科'],
'brandName': '今日头条',
'brandIndustry': '移动互联网',
'lid': '411f6b88-8a83-437a-aa5f-5de0fc4da2b7.190-GroupC,194-GroupB.4'},
...]
复制代码2.4.7 通过关键词搜索岗位
city, industry, position 是上文已经爬取的数据对应ID字段；query 不用说就是查询关键词；这里之所以使用两个不同的方法，因为Boss搜索岗位第一页和第二页及之后的页面的URL组成结构不同，前者固定不变，后者是变化的。这也是为什么前文传入配置字典的URL使用了函数形式。
因此，如果你只对查询第一页数据感兴趣就使用queryjob方法；如果你想继续查看第二页及以后的数据，就必须使用queryjobpage方法。当然，事实上queryjobpage的方法也可以爬第一页的数据，但是建议分开使用，这样较不容易触发反爬虫机制。毕竟这是用户正常访问时行为。
tencent_jobs1 = boss.queryjob(query='腾讯', city=101280600, industry=None, position=101301)
tencent_jobs2 = boss.queryjobpage(query='腾讯', city=101280600, industry=None, position=101301, page=2)
复制代码返回：
[{'jobName': '天衍实验室-大数据及人工智能高级研究员',
'salaryDesc': '30-60K',
'jobLabels': ['深圳 南山区 科技园', '3-5年', '硕士'],
'brandName': '腾讯',
'brandIndustry': '互联网',
'id': 'ce6f957a5e4cb3100nZ43dm6ElU~',
'lid': '22Uetj173Sz.search.1'},
{'jobName': 'QQ信息流推荐算法工程师/研究员',
'salaryDesc': '20-40K·14薪',
'jobLabels': ['深圳 南山区 科技园', '经验不限', '本科'],
'brandName': '腾讯',
'brandIndustry': '互联网',
'id': 'a280e0b17a2aeded03Fz3dq_GFQ~',
'lid': '22Uetj173Sz.search.2'},
...
复制代码github
本文首发公号
