通俗易懂的分析如何用Python实现一只小爬虫,爬取拉勾网的职位信息

小说:网络挣钱的途径作者:安石侯更新时间:2018-09-23字数:55697

海皇轻叹了一口气说道:“没想到他竟然变成了这么厉害,现在连我都嫉妒他,恨不能也去那空间通道里九死一生一次呢。”

句酷网

纪太虚想到这里,身上轻飘飘的飞出了一朵莲花,正是纪太虚的太虚青莲,太虚青莲之上飞出了三十三片莲瓣,融入到纪太虚的自身。纪太虚浑身法力不可思议的又不断的提升着!
王小民接着道:“我知道您来凤鸣市的目的,就是为了对付杜家的,所以我打算给您当个先锋,并且顺道帮您把这件事办了。”

“啧啧,还说不是看上了刘皓,我才这么一说你就打蛇随棍上了,小妮子是不是春心动了啊,还是说天天对着一堆机械觉得烦闷了。”

源代码:https://github.com/nnngu/LagouSpider


效果预览

思路

1、首先我们打开拉勾网,并搜索“java”,显示出来的职位信息就是我们的目标。

2、接下来我们需要确定,怎样将信息提取出来。

  • 查看网页源代码,这时候发现,网页源代码里面找不到职位相关信息,这证明拉勾网关于职位的信息是异步加载的,这也是一种很常用的技术。

  • 异步加载的信息,我们需要借助 chrome 浏览器的开发者工具进行分析,打开开发者工具的方法如下:

  • 点击Nerwork进入网络分析界面,这时候是一片空白,刷新一下界面就可以看到一系列的网络请求了。

  • 前面我们说到,拉勾网关于职位的信息是异步加载的,那么在这一系列的网络请求中,必定有某个请求发送给服务器,响应回来的是职位信息。

  • 正常情况下,我们可以忽略css,图片等类型的请求,关注点放在XHR这种类型请求上,如图:

一共4个XHR类型的请求,我们逐个打开对比,分别点击Preview就能看到它们响应的内容。

发现第一个请求就是我们要找的。如图:

点击Headers,查看一下请求参数。如下图:

到此,我们可以确定city参数就是城市,pn参数就是页数,kd参数就是搜索关键字。

接下来开始写代码了。

代码

代码分成四个部分,便于后期维护。

1、基本 https 请求https.py

这部分对 requests 包进行了一些封装,部分代码如下:

# -*- coding: utf-8 -*-
from src.setting import IP, UA
import requests, random
import logging


class Http:
    """
    http请求相关的操作
    """

    def __init__(self):
        pass

    def get(self, url, headers=None, cookies=None, proxy=None, timeOut=5, timeOutRetry=5):
        """
        获取网页源码
        url: 网页链接
        headers: headers
        cookies: cookies
        proxy: 代理
        timeOut: 请求超时时间
        timeOutRetry: 超时重试次数
        return: 源码
        """
        if not url:
            logging.error("GetError url not exit")
            return "None"
            
        # 这里只展示了一部分代码
        # 完整代码已上传到Github

这里只展示了一部分代码,完整代码已上传到Github

2、代码主逻辑部分main.py

这部分的程序逻辑,如下:

  • 获取职位信息
def getInfo(url, para):
    """
    获取信息
    """
    generalHttp = Http()
    htmlCode = generalHttp.post(url, para=para, headers=headers, cookies=cookies)
    generalParse = Parse(htmlCode)
    pageCount = generalParse.parsePage()
    info = []
    for i in range(1, 3):
        print("第%s页" % i)
        para["pn"] = str(i)
        htmlCode = generalHttp.post(url, para=para, headers=headers, cookies=cookies)
        generalParse = Parse(htmlCode)
        info = info + getInfoDetail(generalParse)
        time.sleep(2)
    return info
  • 对信息进行储存
def processInfo(info, para):
    """
    信息存储
    """
    logging.error("Process start")
    try:
        title = "公司名称	公司类型	融资阶段	标签	公司规模	公司所在地	职位类型	学历要求	福利	薪资	工作经验
"
        file = codecs.open("%s职位.xls" % para["city"], "w", "utf-8")
        file.write(title)
        for p in info:
            line = str(p["companyName"]) + "	" + str(p["companyType"]) + "	" + str(p["companyStage"]) + "	" + 
                   str(p["companyLabel"]) + "	" + str(p["companySize"]) + "	" + str(p["companyDistrict"]) + "	" + 
                   str(p["positionType"]) + "	" + str(p["positionEducation"]) + "	" + str(
                p["positionAdvantage"]) + "	" + 
                   str(p["positionSalary"]) + "	" + str(p["positionWorkYear"]) + "
"
            file.write(line)
        file.close()
        return True
    except Exception as e:
        print(e)
        return None

3、信息解析部分parse.py

这部分针对服务器返回的职位信息的特点,进行解析,如下:

class Parse:
    """
    解析网页信息
    """

    def __init__(self, htmlCode):
        self.htmlCode = htmlCode
        self.json = demjson.decode(htmlCode)
        pass

    def parseTool(self, content):
        """
        清除html标签
        """
        if type(content) != str: return content
        sublist = ["<p.*?>", "</p.*?>", "<b.*?>", "</b.*?>", "<div.*?>", "</div.*?>",
                   "</br>", "<br />", "<ul>", "</ul>", "<li>", "</li>", "<strong>",
                   "</strong>", "<table.*?>", "<tr.*?>", "</tr>", "<td.*?>", "</td>",
                   "
", "
", "&.*?;", "&", "#.*?;", "<em>", "</em>"]
        try:
            for substring in [re.compile(string, re.S) for string in sublist]:
                content = re.sub(substring, "", content).strip()
        except:
            raise Exception("Error " + str(substring.pattern))
        return content
        
        # 这里只展示了一部分代码
        # 完整代码已上传到Github

这里只展示了一部分代码,完整代码已上传到Github

4、配置部分setting.py

这部分加入 cookies 的原因是为了应对拉勾网的反爬,长期使用需要进行改进,进行动态 cookies 获取

# -*- coding: utf-8 -*-

# headers
headers = {
    "Host": "www.lagou.com",
    "Connection": "keep-alive",
    "Content-Length": "23",
    "Origin": "https://www.lagou.com",
    "X-Anit-Forge-Code": "0",
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
    "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
    "Accept": "application/json, text/javascript, */*; q=0.01",
    "X-Requested-With": "XMLHttpRequest",
    "X-Anit-Forge-Token": "None",
    "Referer": "https://www.lagou.com/jobs/list_java?city=%E5%B9%BF%E5%B7%9E&cl=false&fromSearch=true&labelWords=&suginput=",
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7"
}

测试

运行结果:

爬取结束后,在src目录下就可以看到爬虫爬取到的数据。

到此,拉勾网的职位信息抓取就完成了。完整代码已经上传到我的Github

编辑:华马伯

发布:2018-09-23 16:47:58

当前文章:http://www.leetaemin.cn/x02ye/25751.html

趣头条怎么快速赚钱 答题赢现金是真的吗 玩游戏赚红包 cpa交友广告联盟 天涯网赚客 流量主能赚多少钱 360彩票 农村挣钱项目有哪些

30935 86247 39104 26905 68008 1074396001 28723 98243

我要说两句: (0人参与)

发布