クラウドワークスから自分の条件に合った案件をスクレイピングする①

URLから検索すれば問題ないのですが、勉強がてらスクレイピングしてみました。システム開発案件のうちpythonに関する案件を抽出してみます。

コンテンツ

　環境

python	3.7
Eclipse	2019-06 (4.12)

　前提条件

selenium を使用します

　お課

　python開発案件の情報取得スクレイピング&データ保存

クラウドソーシングサイトにおける、システム開発案件のうちpythonを使用した案件のみを抽出してCSVファイルに保存。取得対象カラムは「取得日時」「案件名」「案件URL」「金額」の4種類。

　元URL

トップページではなく、既に存在するこちらのシステム開発案件の場所からにします

https://crowdworks.jp/public/jobs/group/development

　実際のコード

coding:utf-8
 import csv
 import time #timeモジュールを呼び出します
 import mysql.connector #mySQLに接続します
 import requests, bs4 #requestsとは、httpの通信を行うことができるライブライ。ネットワーク処理をできるライブラリ
 from urllib.parse import urlparse, urljoin
 from bs4 import BeautifulSoup #HTML構文を解析する為のパッケージ
 from datetime import datetime
 from selenium import webdriver
 from urllib.request import(
     urlopen,
     Request,
 )#urllibとは・・・インターネットにアクセスすることが出来るパッケージ
 requestsモジュールとは・・・http通信ライブラリで、webサイトの情報取得や画像の収集を簡単に行うことが出来る。
 def crowdworks(): #クラウドワークスのシステム開発案件URLの取得
     res = requests.get('https://crowdworks.jp/public/jobs/group/development')
     res.raise_for_status()
     soup = bs4.BeautifulSoup(res.text, "html.parser")
     # print(soup) #htmlのコード全て表示できる
     driver = webdriver.Chrome(executable_path='XXXXXXXXXXXXXXXXXXXXXXXXXX') #絶対パスを入れます
     driver.get("https://crowdworks.jp/public/jobs/group/development")
     time.sleep(1)
     search_box=driver.find_element_by_name("search[keywords]") #検索ボックスを探します search[keywords]は検証時のnameの要素より。
     search_box.send_keys("python") #検索ボックスに左記を入れます
     search_box.submit() #検索ポスト(submit)の実行
     time.sleep(5)
     soup = bs4.BeautifulSoup(driver.page_source,"html.parser") #bs4を使ってこのページソースの文字列を再解析してみます。
     driver.quit() #ブラウザを閉じる
     while True: #永久に実行させます
         if datetime.now().second == 1: #○時△分1秒以外の時には、作動し続ける
             continue
         with open("crowdworks.csv", mode="a", encoding="utf-16") as f:
             current_time = datetime.now().strftime("%Y/%m/%d %H:%M:%S") #現在の時刻を年、月、日、時、秒で取得
             writer = csv.writer(f, dialect="excel-tab", delimiter="\t") #エクセルのたぶ区切り
             data_array = [] #整列させる
             search_results = soup.find_all("div", attrs={"class": "search_results"})
             for job_data in search_results:
                 # print(job_data)
                 # 各案件を抽出
                 for item in job_data.find_all('li', attrs={"data-jobs-list-item": True}):
                     # タイトルの抽出
                     item_title = item.find("h3", attrs={"class": "item_title"})
                     # 金額の抽出
                     payment = item.find("div", attrs={"class": "entry_data payment"})
                     # URLの抽出(<a data-item-title-linkのタグのhrefの値を取得する )
                     rel_url = item.find("a", attrs={"data-item-title-link": True}).get("href")
                     # print(rel_url)
                     # URLの合成
                     abs_url = urljoin(res.url, rel_url)
                     # 1行に出力するデータを用意
                     data_array.append(current_time)
                     data_array.append(item_title.text.strip())
                     data_array.append(payment.text.strip())
                     data_array.append(abs_url)
                     # 1行分のデータをCSVに書き出し
                     writer.writerow(data_array)
                     # 1行分データをクリア
                     data_array = []
             print(current_time) #時間の表示
             f.close() #ファイル破損防止の為に閉じる
 if <strong>name</strong>=="<strong>main</strong>":
     crowdworks()

coding:utf-8

import csv

import time #timeモジュールを呼び出します

import mysql.connector #mySQLに接続します

import requests, bs4 #requestsとは、httpの通信を行うことができるライブライ。ネットワーク処理をできるライブラリ

from urllib.parse import urlparse, urljoin

from bs4 import BeautifulSoup #HTML構文を解析する為のパッケージ

from datetime import datetime

from selenium import webdriver

from urllib.request import(

urlopen,

Request,

)#urllibとは・・・インターネットにアクセスすることが出来るパッケージ

requestsモジュールとは・・・http通信ライブラリで、webサイトの情報取得や画像の収集を簡単に行うことが出来る。

def crowdworks(): #クラウドワークスのシステム開発案件URLの取得

res = requests.get('https://crowdworks.jp/public/jobs/group/development')

res.raise_for_status()

soup = bs4.BeautifulSoup(res.text, "html.parser")

# print(soup) #htmlのコード全て表示できる

driver = webdriver.Chrome(executable_path='XXXXXXXXXXXXXXXXXXXXXXXXXX') #絶対パスを入れます

driver.get("https://crowdworks.jp/public/jobs/group/development")

time.sleep(1)

search_box=driver.find_element_by_name("search[keywords]") #検索ボックスを探します search[keywords]は検証時のnameの要素より。

search_box.send_keys("python") #検索ボックスに左記を入れます

search_box.submit() #検索ポスト(submit)の実行

time.sleep(5)

soup = bs4.BeautifulSoup(driver.page_source,"html.parser") #bs4を使ってこのページソースの文字列を再解析してみます。

driver.quit() #ブラウザを閉じる

while True: #永久に実行させます

if datetime.now().second == 1: #○時△分1秒以外の時には、作動し続ける

continue

with open("crowdworks.csv", mode="a", encoding="utf-16") as f:

current_time = datetime.now().strftime("%Y/%m/%d %H:%M:%S") #現在の時刻を年、月、日、時、秒で取得

writer = csv.writer(f, dialect="excel-tab", delimiter="\t") #エクセルのたぶ区切り

data_array = [] #整列させる

search_results = soup.find_all("div", attrs={"class": "search_results"})

for job_data in search_results:

# print(job_data)

# 各案件を抽出

for item in job_data.find_all('li', attrs={"data-jobs-list-item": True}):

# タイトルの抽出

item_title = item.find("h3", attrs={"class": "item_title"})

# 金額の抽出

payment = item.find("div", attrs={"class": "entry_data payment"})

# URLの抽出(<a data-item-title-linkのタグのhrefの値を取得する )

rel_url = item.find("a", attrs={"data-item-title-link": True}).get("href")

# print(rel_url)

# URLの合成

abs_url = urljoin(res.url, rel_url)

# 1行に出力するデータを用意

data_array.append(current_time)

data_array.append(item_title.text.strip())

data_array.append(payment.text.strip())

data_array.append(abs_url)

# 1行分のデータをCSVに書き出し

writer.writerow(data_array)

# 1行分データをクリア

data_array = []

print(current_time) #時間の表示

f.close() #ファイル破損防止の為に閉じる

if <strong>name</strong>=="<strong>main</strong>":

crowdworks()

　実行結果

　まとめ

後は実行結果を、GoogleAPIと連動させて自動的にメールを送ってくるようにしたり、組み合わせられれば随分と楽になりそうです。to be continue…

クラウドワークスから自分の条件に合った案件をスクレイピングする①

環境

前提条件

お課

python開発案件の情報取得スクレイピング&データ保存

元URL

実際のコード

実行結果

まとめ

コメントを残すコメントをキャンセル

管理人

カテゴリー

アーカイブ

環境

前提条件

お課

python開発案件の情報取得スクレイピング&データ保存

元URL

実際のコード

実行結果

まとめ

コメントを残す コメントをキャンセル

RECOMMENDこちらの記事も人気です。

【django】formのinputタグに初期値を設定する

Macでtreeコマンドをインストールして実行するまで【ディレクトリ構造】

PythonでPDFファイルを読み込んで文字起こしをする

【Django】デコレータ(Decorator)の自作と使い方

Permission denied でssh接続ができない時の解決方法

【django】汎用viewを使用しないカスタムのパスワード変更は勝手に…

django form 初期値設定(親切なプルダウンメニュー)

Twitter APIの開発者ユーザーのAccessTokenの入手方法

管理人

カテゴリー

アーカイブ

　環境

　前提条件

　お課

　python開発案件の情報取得スクレイピング&データ保存

　元URL

　実際のコード

　実行結果

　まとめ

コメントを残すコメントをキャンセル