Python爬虫实战：手把手教你如何采集公开招聘宣讲会归档！

㊗️本期内容已收录至专栏《Python爬虫实战》持续完善知识体系与项目实战建议先订阅收藏后续查阅更方便㊙️本期爬虫难度指数⭐⭐ (中级)福利一次订阅后专栏内的所有文章可永久免费看持续更新中保底1000(篇)硬核实战内容。全文目录 开篇语0️⃣ 前言Preface1️⃣ 摘要Abstract2️⃣ 背景与需求Why3️⃣ 合规与注意事项必写4️⃣ 技术选型与整体流程What/How5️⃣ 环境准备与依赖安装可复现6️⃣ 核心实现请求层Fetcher7️⃣ 核心实现解析层Parser8️⃣ 核心实现增量更新与存储Incremental Storage9️⃣ 运行方式与结果展示必写 常见问题与排错强烈建议写1️⃣1️⃣ 进阶优化全英文可视化报表1️⃣2️⃣ 总结与延伸阅读 文末✅ 专栏持续更新中建议收藏 订阅✅ 互动征集✅ 免责声明 开篇语哈喽各位小伙伴们你们好呀我是【喵手】。运营社区 C站 / 掘金 / 腾讯云 / 阿里云 / 华为云 / 51CTO欢迎大家常来逛逛一起学习一起进步我长期专注Python 爬虫工程化实战主理专栏 《Python爬虫实战》从采集策略到反爬对抗从数据清洗到分布式调度持续输出可复用的方法论与可落地案例。内容主打一个“能跑、能用、能扩展”让数据价值真正做到——抓得到、洗得净、用得上。专栏食用指南建议收藏✅ 入门基础环境搭建 / 请求与解析 / 数据落库✅ 进阶提升登录鉴权 / 动态渲染 / 反爬对抗✅ 工程实战异步并发 / 分布式调度 / 监控与容错✅ 项目落地数据治理 / 可视化分析 / 场景化应用专栏推广时间如果你想系统学爬虫而不是碎片化东拼西凑欢迎订阅专栏《Python爬虫实战》一次订阅后专栏内的所有文章可永久免费阅读持续更新中。订阅后更新会优先推送按目录学习更高效0️⃣ 前言Preface各位求职人、数据极客们大家好我是你们的 Python 爬虫老司机。每到招聘季各大高校的宣讲会信息满天飞依靠人力去各个就业网站刷新简直是“反人类”的操作。今天我们将利用requests和BeautifulSoup4编写一个自动化的“宣讲会雷达”。它不仅能帮你聚合宣讲会信息还能通过增量更新机制每天只抓取新发布的行程并最终产出一份干净的campus_talks_archive.csv。读完本文你将获得掌握基于 URL 去重的增量爬虫架构告别重复抓取。学会处理包含时间、地点的非标准事件类网页数据。拥有一套可以直接接入定时任务的校园招聘信息聚合模板。1️⃣ 摘要Abstract本文针对高校招聘宣讲会Info Sessions这一特殊的事件驱动型数据源设计了一套轻量级的自动化抓取与归档方案。通过 Python 的requests库实现分页遍历结合哈希去重策略实现数据的增量更新最终输出结构化的企业宣讲会日程表。核心看点事件目录的分页遍历逻辑、历史记录状态维持Stateful Scraping、自动化数据聚合。2️⃣ 背景与需求Why为什么要爬宣讲会普通的职位页面是静态的“坑位”而宣讲会是动态的“活动”。HR 去哪所学校、几月几号开讲往往决定了你能否获得宝贵的“现场面试/笔试”甚至“直通车”资格。信息差在这里就是 Offer 差目标字段清单company_name企业名称如腾讯科技、字节跳动university宣讲高校如清华大学、华中科技大学event_time宣讲时间需清洗为标准YYYY-MM-DD HH:MMlocation举办地点如玉泉校区永谦活动中心job_category岗位方向如研发/产品/管培生apply_link网申或详情页链接用作去重主键3️⃣ 合规与注意事项必写在向各大高校就业网或聚合平台发起请求时我们必须做一名“绅士爬虫” 遵守 robots.txt高校服务器通常比较脆弱抓取前务必检查根目录的爬虫协议。绝对的频率控制本文代码中强制加入了合理的time.sleep()延时。严禁使用多线程/协程对教育网发起攻击式的并发访问。纯公开数据我们仅采集完全公开的“时间、地点、企业名”等活动目录信息不触碰任何学生投递简历的隐私接口也不尝试绕过需要学号登录的内网限制。4️⃣ 技术选型与整体流程What/How宣讲会聚合站通常是规整的列表页。我们采用最经典的同步爬虫方案requestsbs4。增量更新整体流程核心思路[加载历史]程序启动时先读取本地的campus_talks_archive.csv将已抓取的apply_link存入一个集合Set。[采集解析]发起请求遍历宣讲会列表页解析出最新活动。[增量比对]比对每一条抓取到的链接如果存在于集合中直接跳过如果不存在则视为新数据New Event。[追加存储]将新数据追加写入 CSV并更新图表。5️⃣ 环境准备与依赖安装可复现确认你的电脑上安装了 Python 3.8 或以上版本。打开终端安装以下弹药库pipinstallrequests beautifulsoup4 pandas matplotlib推荐的项目结构campus_radar/ ├── config.py # 存放请求头和目标URL ├── radar_spider.py # 请求与解析核心层 ├── incremental_db.py # 增量比对与存储层 ├── main.py # 入口调度脚本 └── archive/ # 数据归档目录 ├── campus_talks_archive.csv └── talks_distribution.png6️⃣ 核心实现请求层Fetcher高校和求职网站的防火墙经常会拦截没有伪装的脚本。我们需要设置完善的Headers并做好重试准备。# radar_spider.py (部分)importrequestsimporttimeimportrandomfrombs4importBeautifulSoupclassCampusRadarFetcher:def__init__(self):self.sessionrequests.Session()self.session.headers.update({User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36,Accept:text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8})deffetch_list_page(self,url,max_retries3):带有简易重试机制的页面抓取forattemptinrange(max_retries):try:# 随机休眠保护对方服务器time.sleep(random.uniform(1.5,3.0))respself.session.get(url,timeout10)resp.raise_for_status()resp.encodingutf-8returnresp.textexceptrequests.RequestExceptionase:print(f⚠️ 抓取异常{url}(尝试{attempt1}/{max_retries}):{e})time.sleep(5)# 遇到错误多等一会returnNone7️⃣ 核心实现解析层Parser宣讲会数据通常包裹在ul列表或table表格中。我们在解析时要特别注意处理缺失值比如有的宣讲会是“空中宣讲会线上”地点字段可能就是空的或写着“线上”。# radar_spider.py (部分)classCampusRadarParser:defparse_talks(self,html,base_urlhttps://www.example-campus.com):提取宣讲会列表数据ifnothtml:return[]soupBeautifulSoup(html,html.parser)talks[]# 假设宣讲会信息在一个 class 为 talk-list-item 的 div 中foriteminsoup.select(div.talk-list-item, tr.talk-row):try:# 1. 企业名称company_tagitem.select_one(h3.company-name a, a.company)companycompany_tag.get_text(stripTrue)ifcompany_tagelseUnknown Company# 2. 详情链接 (作为增量更新的唯一标识)raw_linkcompany_tag[href]ifcompany_tagelselinkraw_linkifraw_link.startswith(http)elsebase_urlraw_link# 3. 学校与地点univ_tagitem.select_one(span.university)universityuniv_tag.get_text(stripTrue)ifuniv_tagelse通用空中宣讲loc_tagitem.select_one(span.location)locationloc_tag.get_text(stripTrue)ifloc_tagelseTBD/线上# 4. 时间与方向time_tagitem.select_one(span.event-time)event_timetime_tag.get_text(stripTrue)iftime_tagelse时间待定job_tagitem.select_one(span.job-category)job_categoryjob_tag.get_text(stripTrue)ifjob_tagelse综合类talks.append({company_name:company,university:university,event_time:event_time,location:location,job_category:job_category,apply_link:link})exceptExceptionase:print(f❌ 数据解析跳过:{e})continuereturntalks8️⃣ 核心实现增量更新与存储Incremental Storage高能预警这是本文最核心的增量更新逻辑。我们在写入前先加载已经存盘的历史数据把apply_link提取成一个set查询时间复杂度为 O(1)做到真正的秒级去重。# incremental_db.pyimportpandasaspdimportosclassIncrementalStorage:def__init__(self,filepatharchive/campus_talks_archive.csv):self.filepathfilepath self.seen_linksset()os.makedirs(os.path.dirname(self.filepath),exist_okTrue)self._load_history()def_load_history(self):加载历史记录构建去重集合ifos.path.exists(self.filepath):try:dfpd.read_csv(self.filepath)# 将历史链接加入集合ifapply_linkindf.columns:self.seen_linksset(df[apply_link].dropna().tolist())print(f 成功加载历史记录当前数据库已有{len(self.seen_links)}场宣讲会信息。)exceptExceptionase:print(f读取历史数据失败:{e})deffilter_and_save(self,new_talks):过滤重复项只保存增量新数据incremental_data[]fortalkinnew_talks:iftalk[apply_link]notinself.seen_links:incremental_data.append(talk)self.seen_links.add(talk[apply_link])# 加入集合防止本次批量内有重复ifnotincremental_data:print( 当前页没有发现新的宣讲会信息。)return0df_newpd.DataFrame(incremental_data)# 增量追加写入 (append 模式)headernotos.path.exists(self.filepath)df_new.to_csv(self.filepath,modea,headerheader,indexFalse,encodingutf-8-sig)print(f✅ 成功抓取并归档{len(incremental_data)}场【新增】宣讲会)returnlen(incremental_data)9️⃣ 运行方式与结果展示必写将组件组装到入口文件。由于采用了增量逻辑如果连续运行两次脚本第二次通常会提示“没有发现新信息”。# main.pyfromradar_spiderimportCampusRadarFetcher,CampusRadarParserfromincremental_dbimportIncrementalStoragedefrun_radar():fetcherCampusRadarFetcher()parserCampusRadarParser()dbIncrementalStorage()# 假设该网站宣讲会列表分页参数为 page1, 2, 3...base_urlhttps://www.example-campus.com/talks?page{}total_new0print( 启动秋招宣讲会增量雷达...)# 考虑到增量更新我们一般只抓前 5 页最新的宣讲会通常都在前面forpageinrange(1,6):urlbase_url.format(page)print(f正在扫描第{page}页...)htmlfetcher.fetch_list_page(url)ifnothtml:breaktalksparser.parse_talks(html)new_countdb.filter_and_save(talks)total_newnew_count# 增量优化策略如果某一页的新增数量为 0说明后面的数据已经全抓过了提前结束ifnew_count0:print( 触及已归档历史边界提前终止抓取以节省资源。)breakprint(f 任务完成本次共发现并入库{total_new}场新宣讲会。)iftotal_new0:generate_analysis_chart()# 留个图表生成的钩子下一节实现defgenerate_analysis_chart():passif__name____main__:run_radar()输出结果示例CSV 格式保存内容company_name,university,event_time,location,job_category,apply_link Tencent,Tsinghua University,2026-09-15 14:00,Lecture Hall 1,RD,https://.../101 ByteDance,Zhejiang University,2026-09-16 18:30,Yuquan Campus Center,Product,https://.../102 DJI,Online Info Session,2026-09-20 19:00,Zoom Meeting,Hardware/Software,https://.../103 常见问题与排错强烈建议写在抓取高校或求职网时这些坑你大概率会踩中403 Forbidden被学校内网墙了现象自己浏览器能访问代码一跑就报错。解法检查你的 IP。有些高校的就业网禁止外网校外 IP访问。你需要挂高校的 VPN 运行脚本或者使用支持隧道切换的合法代理池。增量更新提前中断列表乱序问题现象使用了“如果没有新数据就 break”的优化策略但由于网站并不是严格按时间倒序排列的可能有置顶帖导致漏抓。解法如果目标网站存在置顶情况不要遇到 0 就直接 break。可以设定一个阈值比如连续 3 页没有新数据才跳出循环。解析出来的地点是空壳有些网站的地点是鼠标悬停Hover通过 JavaScript 请求展示的。解决办法是去 Network 找异步 API 接口或者干脆直接把 URL 扔给 Selenium/Playwright 解析。1️⃣1️⃣ 进阶优化全英文可视化报表身为数据极客光有表格怎么行我们在新增数据后自动生成一张全英文标注的**“各高校宣讲会热度分布图”**看看企业最喜欢去哪宣讲(在main.py中补充图表生成逻辑)defgenerate_analysis_chart():importpandasaspdimportmatplotlib.pyplotasplttry:dfpd.read_csv(archive/campus_talks_archive.csv)# 统计排名前10的高校 (排除线上宣讲)top_universitiesdf[~df[university].str.contains(Online|线上,caseFalse,naFalse)]top_universitiestop_universities[university].value_counts().head(10)plt.figure(figsize(12,7))# 英文规范制图top_universities.plot(kindbar,color#2E86C1,edgecolorblack)plt.title(Top 10 Universities by Number of Campus Info Sessions,fontsize16,fontweightbold)plt.xlabel(University / Institution,fontsize12)plt.ylabel(Number of Sessions Scheduled,fontsize12)plt.xticks(rotation45,haright)plt.tight_layout()plt.savefig(archive/talks_distribution.png,dpi300)print( Data visualization saved to: archive/talks_distribution.png)exceptExceptionase:print(fFailed to generate chart:{e})1️⃣2️⃣ 总结与延伸阅读恭喜你到这里你不仅完成了一个自动化爬虫更建立起了一个属于自己的求职情报站。我们复盘一下通过加载历史 CSV 文件构建seen_links集合我们巧妙地实现了增量过滤逻辑。这样以后你哪怕把脚本放在服务器上每小时跑一次也只会抓取最新鲜的招聘行程这才是真正的工业级爬虫思维✨下一步的高级玩法延伸定时与推送将这个脚本部署到 Linux 服务器使用Crontab每天早晨 8 点定时运行并接入钉钉/飞书的 Webhook。一有心仪公司的宣讲会发布直接弹窗推送到你的手机上复杂系统穿透如果你想重点突破自己学校的教务系统爬取宣讲会可能会遇到复杂的验证码或 SSO 统一身份认证。这时候强烈推荐你去学习Playwright用自动化测试框架接管登录会话Session Cookie让所有的反爬机制形同虚设。 文末好啦以上就是本期的全部内容啦如果你在实践过程中遇到任何疑问欢迎在评论区留言交流我看到都会尽量回复咱们下期见小伙伴们在批阅的过程中如果觉得文章不错欢迎点赞、收藏、关注哦三连就是对我写作道路上最好的鼓励与支持❤️✅ 专栏持续更新中建议收藏 订阅墙裂推荐订阅专栏 《Python爬虫实战》本专栏秉承着以“入门 → 进阶 → 工程化 → 项目落地”的路线持续更新争取让每一期内容都做到✅ 讲得清楚原理✅ 跑得起来代码✅ 用得上场景✅ 扛得住工程化想系统提升的小伙伴强烈建议先订阅专栏 《Python爬虫实战》再按目录大纲顺序学习效率十倍上升✅ 互动征集想让我把【某站点/某反爬/某验证码/某分布式方案】等写成某期实战评论区留言告诉我你的需求我会优先安排实现(更新)哒~⭐️ 若喜欢我就请关注我叭更新不迷路⭐️ 若对你有用就请点赞支持一下叭给我一点点动力⭐️ 若有疑问就请评论留言告诉我叭我会补坑 更新迭代✅ 免责声明本文爬虫思路、相关技术和代码仅用于学习参考对阅读本文后的进行爬虫行为的用户本作者不承担任何法律责任。使用或者参考本项目即表示您已阅读并同意以下条款合法使用 不得将本项目用于任何违法、违规或侵犯他人权益的行为包括但不限于网络攻击、诈骗、绕过身份验证、未经授权的数据抓取等。风险自负 任何因使用本项目而产生的法律责任、技术风险或经济损失由使用者自行承担项目作者不承担任何形式的责任。禁止滥用 不得将本项目用于违法牟利、黑产活动或其他不当商业用途。使用或者参考本项目即视为同意上述条款,即 “谁使用谁负责” 。如不同意请立即停止使用并删除本项目。