溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
前言
為了了解跟python數(shù)據(jù)分析有關(guān)行業(yè)的信息，大概地了解一下對這個行業(yè)的要求以及薪資狀況，我決定從網(wǎng)上獲取信息并進行分析。既然想要分析就必須要有數(shù)據(jù)，于是我選擇了拉勾，冒著危險深入內(nèi)部，從他們那里得到了信息。不得不說，拉勾的反爬技術(shù)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(shù)據(jù)分析的要求以及薪資狀況，因此，薪資、學(xué)歷、工作經(jīng)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(wǎng)站他們的信息一般都是通過ajax加載的，而且在輸入“python數(shù)據(jù)分析”敲擊回車之后跳轉(zhuǎn)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(guān)注post請求以及XHR文件，很快就發(fā)現(xiàn)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(guān)的id）是我們要的。再觀察一下它的form data，其中kd=關(guān)鍵字，pn=pageNum（頁碼）這是我們請求的時候要帶上的參數(shù)。另外我們要注意請求頭的referer參數(shù)，待會兒要用。知道了目標之后，爬起來！
二、開始爬蟲
先設(shè)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(guān)鍵在于，了解拉勾的反爬機制：在進入python數(shù)據(jù)分析招聘頁之前，我們要在主頁，不妨叫它start_url輸入關(guān)鍵字跳轉(zhuǎn)。在這個過程中，服務(wù)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(shù)，referer的含義大概是這樣：告訴服務(wù)器我是從哪個頁面鏈接過來的，服務(wù)器基此可以獲得一些信息用于處理。另外，睡眠時間也要設(shè)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。
'''
@author: Max_Lyu
Create time: 2019/4/1
url: 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(shù)據(jù)
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(shù)據(jù)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(shù)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）。
'''
@author: Max_Lyu
Create time: 2019/4/1
url: 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(jù) 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(wù)就結(jié)束了，源碼地址：https://github.com/MaxLyu/Lagou_Analyze （本地下載）。獲得數(shù)據(jù)之后就是小小地分析一下了，這個下次再總結(jié)。
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，謝謝大家對億速云的支持。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼