前言
為了了解跟python數據分析有關行業的信息，大概地了解一下對這個行業的要求以及薪資狀況，我決定從網上獲取信息并進行分析。既然想要分析就必須要有數據，于是我選擇了拉勾，冒著危險深入內部，從他們那里得到了信息。不得不說，拉勾的反爬技術還挺厲害的，稍后再說明。話不多說，直接開始。
一、明確目的
每次爬蟲都要有明確的目的，剛接觸隨便找東西試水的除外。我想要知道的是python數據分析的要求以及薪資狀況，因此，薪資、學歷、工作經驗以及一些任職要求就是我的目的。
既然明確了目的，我們就要看一下它們在什么位置，所以我們打開瀏覽器，尋找目標。像拉勾這種網站他們的信息一般都是通過ajax加載的，而且在輸入“python數據分析”敲擊回車之后跳轉的頁面，招聘信息不是一開始就顯示出來的，通過點擊頁碼也只是招聘信息在變化甚至連network都沒多大變化，可以大膽猜測他是通過post請求的，所以我們只關注post請求以及xhr文件，很快就發現了我們要的東西。
點擊preview可見詳細信息以json形式保存著，其中‘salary'、‘workyear'、‘education'、‘positionid'（招聘信息詳情頁有關的id）是我們要的。再觀察一下它的form data，其中kd=關鍵字，pn=pagenum（頁碼）這是我們請求的時候要帶上的參數。另外我們要注意請求頭的referer參數，待會兒要用。知道了目標之后，爬起來！
二、開始爬蟲
先設置請求頭headers，把平時用的user-agent帶上，再把formdata也帶上，用requests庫直接requests.post(url, headers=headers, data=formdata) ，然后就開始報錯了： {"status":false,"msg":"您操作太頻繁,請稍后再訪問","clientip":"......","state":2402}。
解決這個問題的關鍵在于，了解拉勾的反爬機制：在進入python數據分析招聘頁之前，我們要在主頁，不妨叫它start_url輸入關鍵字跳轉。在這個過程中，服務器會傳回來一個cookies，如果帶著這個cookies請求的話我們就可以得到要的東西，所以要先請求start_url獲取cookies在請求目標url，而且在請求目標地址的話還要帶上referer這個請求頭參數，referer的含義大概是這樣：告訴服務器我是從哪個頁面鏈接過來的，服務器基此可以獲得一些信息用于處理。另外，睡眠時間也要設置的長一點，不然很容易被封。知道了反爬機制之后，話不多說，直接上代碼。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
'''@author: max_lyucreate time: 2019/4/1url: https://github.com/maxlyu/lagou_analyze''' # 請求起始 url 返回 cookies def get_start_url(self): session = requests.session() session.get(self.start_url, headers=self.headers, timeout=3) cookies = session.cookies return cookies # 將返回的 cookies 一起 post 給 target_url 并獲取數據 def post_target_url(self): cookies = self.get_start_url() pn = 1 for pg in range(30): formdata = { 'first': 'false', 'pn': pn, 'kd': 'python數據分析' } pn += 1 response = requests.post(self.target_url, data=formdata, cookies=cookies, headers=self.headers, timeout=3) self.parse(response) time.sleep(60) # 拉勾的反扒技術比較強，短睡眠時間會被封 # 解析 response，獲取 items def parse(self, response): print(response) items = [] print(response.text) data = json.loads(response.text)['content']['positionresult']['result'] if len(data): for i in range(len(data)): positionid = data[i]['positionid'] education = data[i]['education'] workyear = data[i]['workyear'] salary = data[i]['salary'] list = [positionid, education, workyear, salary] items.append(list) self.save_data(items) time.sleep(1.3) |
其中save_data(items)是保存文件，我是保存在csv文件。篇幅有限，這里就不展示了。
三、獲取招聘詳情
上面說了positionid 是為了獲取詳情頁，詳情頁里面有要的任職要求。這個要獲取就相對容易了，不過文本的處理并沒有很簡單，我只能通過“要求”這兩個字獲取任職要求（雖然有的為任職技能啥的，就這樣進行取舍了）。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
'''@author: max_lyucreate time: 2019/4/1url: https://github.com/maxlyu/lagou_analyze'''def get_url(): urls = [] with open("analyst.csv", 'r', newline='') as file: # 讀取文件 reader = csv.reader(file) for row in reader: # 根據 positionid 補全 url if row[0] != "id": url = "https://www.lagou.com/jobs/{}.html".format(row[0]) urls.append(url) file.close() return urls# 獲取詳細信息def get_info(): urls = get_url() length = len(urls) for url in urls: print(url) description = '' print(length) response = requests.get(url, headers=headers) response.encoding = 'utf-8' content = etree.html(response.text) detail = content.xpath('//*[@id="job_detail"]/dd[2]/div/p/text()') print(detail) for i in range(1, len(detail)): if '要求' in detail[i-1]: for j in range(i, len(detail)): detail[j] = detail[j].replace('\xa0', '') detail[j] = re.sub('[、;；.0-9。]', '', detail[j]) description = description + detail[j] + '/' print(description) write_file(description) length -= 1 time.sleep(3) |
四、成果與展示
到這里，爬取的任務就結束了，源碼地址：https://github.com/maxlyu/lagou_analyze。獲得數據之后就是小小地分析一下了，這個下次再總結。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對服務器之家的支持。
原文鏈接：https://www.cnblogs.com/lyuzt/p/10636501.html
