Fork me on GitHub

(转)python爬取拉勾网信息

学习Python也有一段时间了,各种理论知识大体上也算略知一二了,今天就进入实战演练:通过Python来编写一个拉勾网薪资调查的小爬虫。

第一步:分析网站的请求过程

我们在查看拉勾网上的招聘信息的时候,搜索Python,或者是PHP等等的岗位信息,其实是向服务器发出相应请求,由服务器动态的响应请求,将我们所需要的内容通过浏览器解析,呈现在我们的面前。

 

这里写图片描述

 

可以看到我们发出的请求当中,FormData中的kd参数,就代表着向服务器请求关键词为Python的招聘信息。

 

分析比较复杂的页面请求与响应信息,推荐使用Fiddler,对于分析网站来说绝对是一大杀器。不过比较简单的响应请求用浏览器自带的开发者工具就可以,比如像火狐的FireBug等等,只要轻轻一按F12,所有的请求的信息都会事无巨细的展现在你面前。

 

经由分析网站的请求与响应过程可知,拉勾网的招聘信息都是由XHR动态传递的。

 

XHR

 

我们发现,以POST方式发出的请求有两个,分别是companyAjax.json和positionAjax.json,它们分别控制当前显示的页面和页面中包含的招聘信息。

 

这里写图片描述

 

可以看到,我们所需要的信息包含在positionAjax.json的Content->result当中,其中还包含了一些其他参数信息,包括总页面数(totalPageCount),总招聘登记数(totalCount)等相关信息。

 

第二步:发送请求,获取页面

知道我们所要抓取的信息在哪里是最为首要的,知道信息位置之后,接下来我们就要考虑如何通过Python来模拟浏览器,获取这些我们所需要的信息。

 

复制代码
 1 def read_page(url, page_num, keyword):  # 模仿浏览器post需求信息,并读取返回后的页面信息
 2     page_headers = {
 3         'Host': 'www.lagou.com',
 4         'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
 5                       'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
 6         'Connection': 'keep-alive'
 7         }
 8     if page_num == 1:
 9         boo = 'true'
10     else:
11         boo = 'false'
12     page_data = parse.urlencode([   # 通过页面分析,发现浏览器提交的FormData包括以下参数
13         ('first', boo),
14         ('pn', page_num),
15         ('kd', keyword)
16         ])
17     req = request.Request(url, headers=page_headers)
18     page = request.urlopen(req, data=page_data.encode('utf-8')).read()
19     page = page.decode('utf-8')
20     return page
复制代码

 

其中比较关键的步骤在于如何仿照浏览器的Post方式,来包装我们自己的请求。

 

request包含的参数包括所要抓取的网页url,以及用于伪装的headers。urlopen中的data参数包括FormData的三个参数(first、pn、kd)

 

包装完毕之后,就可以像浏览器一样访问拉勾网,并获得页面数据了。

 

第三步:各取所需,获取数据

 

获得页面信息之后,我们就可以开始爬虫数据中最主要的步骤:抓取数据。

 

抓取数据的方式有很多,像正则表达式re,lxml的etree,json,以及bs4的BeautifulSoup都是python3抓取数据的适用方法。大家可以根据实际情况,使用其中一个,又或多个结合使用。

 

复制代码
 1 def read_tag(page, tag):
 2     page_json = json.loads(page)
 3     page_json = page_json['content']['result']  
 4     # 通过分析获取的json信息可知,招聘信息包含在返回的result当中,其中包含了许多其他参数
 5     page_result = [num for num in range(15)]  # 构造一个容量为15的占位list,用以构造接下来的二维数组
 6     for i in range(15):
 7         page_result[i] = []  # 构造二维数组
 8         for page_tag in tag:
 9             page_result[i].append(page_json[i].get(page_tag))  # 遍历参数,将它们放置在同一个list当中
10         page_result[i][8] = ','.join(page_result[i][8])
11     return page_result   # 返回当前页的招聘信息
复制代码

 

第四步:将所抓取的信息存储到excel中

 

获得原始数据之后,为了进一步的整理与分析,我们有结构有组织的将抓取到的数据存储到excel中,方便进行数据的可视化处理。

 

这里我用了两个不同的框架,分别是老牌的xlwt.Workbook、以及xlsxwriter。

 

复制代码
 1 def save_excel(fin_result, tag_name, file_name):
 2     book = Workbook(encoding='utf-8')
 3     tmp = book.add_sheet('sheet')
 4     times = len(fin_result)+1
 5     for i in range(times):  # i代表的是行,i+1代表的是行首信息
 6         if i == 0:
 7             for tag_name_i in tag_name:
 8                 tmp.write(i, tag_name.index(tag_name_i), tag_name_i)
 9         else:
10             for tag_list in range(len(tag_name)):
11                 tmp.write(i, tag_list, str(fin_result[i-1][tag_list]))
12     book.save(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)
复制代码

 

首先是xlwt,不知道为什么,xlwt存储到100多条数据之后,会存储不全,而且excel文件也会出现“部分内容有问题,需要进行修复”我检查了很多次,一开始以为是数据抓取的不完全,导致的存储问题。后来断点检查,发现数据是完整的。后来换了本地的数据进行处理,也没有出现问题。我当时的心情是这样的:

 

这里写图片描述

 

到现在我也没弄明白,有知道的大神希望能告诉我ლ(╹ε╹ლ) 

 

复制代码
 1 def save_excel(fin_result, tag_name, file_name):  # 将抓取到的招聘信息存储到excel当中
 2     book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)  # 默认存储在桌面上
 3     tmp = book.add_worksheet()
 4     row_num = len(fin_result)
 5     for i in range(1, row_num):
 6         if i == 1:
 7             tag_pos = 'A%s' % i
 8             tmp.write_row(tag_pos, tag_name)
 9         else:
10             con_pos = 'A%s' % i
11             content = fin_result[i-1]  # -1是因为被表格的表头所占
12             tmp.write_row(con_pos, content)
13     book.close()
复制代码

 

这是使用xlsxwriter存储的数据,没有问题,可以正常使用。

 

到从为止,一个抓取拉勾网招聘信息的小爬虫就诞生了。

 

附上源码

复制代码
 1 #! -*-coding:utf-8 -*-
 2 
 3 from urllib import request, parse
 4 from bs4 import BeautifulSoup as BS
 5 import json
 6 import datetime
 7 import xlsxwriter
 8 
 9 starttime = datetime.datetime.now()
10 
11 url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC'
12 # 拉钩网的招聘信息都是动态获取的,所以需要通过post来递交json信息,默认城市为北京
13 
14 tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize',
15        'industryField', 'companyLabelList']  # 这是需要抓取的标签信息,包括公司名称,学历要求,薪资等等
16 
17 tag_name = ['公司名称', '公司简称', '职位名称', '所需学历', '工资', '公司资质', '公司规模', '所属类别', '公司介绍']
18 
19 
20 def read_page(url, page_num, keyword):  # 模仿浏览器post需求信息,并读取返回后的页面信息
21     page_headers = {
22         'Host': 'www.lagou.com',
23         'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
24                       'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
25         'Connection': 'keep-alive'
26         }
27     if page_num == 1:
28         boo = 'true'
29     else:
30         boo = 'false'
31     page_data = parse.urlencode([   # 通过页面分析,发现浏览器提交的FormData包括以下参数
32         ('first', boo),
33         ('pn', page_num),
34         ('kd', keyword)
35         ])
36     req = request.Request(url, headers=page_headers)
37     page = request.urlopen(req, data=page_data.encode('utf-8')).read()
38     page = page.decode('utf-8')
39     return page
40 
41 
42 def read_tag(page, tag):
43     page_json = json.loads(page)
44     page_json = page_json['content']['result']  # 通过分析获取的json信息可知,招聘信息包含在返回的result当中,其中包含了许多其他参数
45     page_result = [num for num in range(15)]  # 构造一个容量为15的list占位,用以构造接下来的二维数组
46     for i in range(15):
47         page_result[i] = []  # 构造二维数组
48         for page_tag in tag:
49             page_result[i].append(page_json[i].get(page_tag))  # 遍历参数,将它们放置在同一个list当中
50         page_result[i][8] = ','.join(page_result[i][8])
51     return page_result   # 返回当前页的招聘信息
52 
53 
54 def read_max_page(page):  # 获取当前招聘关键词的最大页数,大于30的将会被覆盖,所以最多只能抓取30页的招聘信息
55     page_json = json.loads(page)
56     max_page_num = page_json['content']['totalPageCount']
57     if max_page_num > 30:
58         max_page_num = 30
59     return max_page_num
60 
61 
62 def save_excel(fin_result, tag_name, file_name):  # 将抓取到的招聘信息存储到excel当中
63     book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)  # 默认存储在桌面上
64     tmp = book.add_worksheet()
65     row_num = len(fin_result)
66     for i in range(1, row_num):
67         if i == 1:
68             tag_pos = 'A%s' % i
69             tmp.write_row(tag_pos, tag_name)
70         else:
71             con_pos = 'A%s' % i
72             content = fin_result[i-1]  # -1是因为被表格的表头所占
73             tmp.write_row(con_pos, content)
74     book.close()
75 
76 
77 if __name__ == '__main__':
78     print('**********************************即将进行抓取**********************************')
79     keyword = input('请输入您要搜索的语言类型:')
80     fin_result = []  # 将每页的招聘信息汇总成一个最终的招聘信息
81     max_page_num = read_max_page(read_page(url, 1, keyword))
82     for page_num in range(1, max_page_num):
83         print('******************************正在下载第%s页内容*********************************' % page_num)
84         page = read_page(url, page_num, keyword)
85         page_result = read_tag(page, tag)
86         fin_result.extend(page_result)
87     file_name = input('抓取完成,输入文件名保存:')
88     save_excel(fin_result, tag_name, file_name)
89     endtime = datetime.datetime.now()
90     time = (endtime - starttime).seconds
91     print('总共用时:%s s' % time)
复制代码


还有许多功能可以添加,比如说通过修改city参数查看不同城市的招聘信息啦等等,大家可以自行开发,这里只做抛砖引玉之用,欢迎交流,转载请注明出处~ (^ _ ^)/~~

posted on 2016-04-06 23:32 mrdoor 阅读(...) 评论(...) 编辑 收藏

统计