Python爬虫实战之二 - 基于Requests抓取拉勾网招聘信息
---------------readme---------------
简介:本人产品汪一枚,Python自学数月,对于小白,本文会是一篇比较容易上手的经验贴。当然毕竟是新手,欢迎大牛拍砖、狂喷~
致谢:
本着了解招聘行情,以备不时之需;之所以选择拉勾网下手,是因为对于互联网相关行业,拉勾属于相对专业的网站,至少个人观点是比某联招聘要好很多;同时也感谢拉勾网的权威招聘信息,也使我对Requests方法更为熟悉。
爬取拉勾官网(www.lagou.com)期间,若对拉勾造成或小或大的影响,本人深感歉意。本文只为获取招聘信息和交流学习,并无恶意,再次鸣谢。
---------------正文分隔符---------------
开发环境
MacBook Air (13-inch, Early 2015)
macOS High Sierra 10.13.6
1.6GHZ Inter Core i5
Python:V 3.7.0
一、需求
因本人产品汪一枚,所以首要需求就是爬取拉勾网北京地区、产品经理职位的招聘信息。
二、拉勾网Html页面分析
1、拉钩网页面分析
首先,使用自己账号登陆拉勾网,这个在分析header中会带有cookies等信息,在spider模拟访问请求的url时,被反爬虫的概率更小些(ps:拉勾网总不至于不让用户查询招聘信息吧...)
当然,也可以不用账号的信息进行爬取,代码应该大体相同,不同的只会在header的参数略微有区别。
登陆完成后,在拉勾网的首页(https://www.lagou.com/)检索栏输入“产品经理”,点击搜索Butten,招聘信息列表页面如下图所示:
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
每1页展示15个招聘职位,总展示30页的招聘信息。
结论:所以单次职位的检索,仅可以spider的职位数量为450个招聘职位。
2、我们再看下Html
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
关于页面的Html分析如下:
(1)Request URL:https://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false
这个url会是我们本次模拟的Request的url,其中"city=%E5%8C%97%E4%BA%AC"在Query String Parameters(请求参数)中有对应的参数,对应:北京
所以我们本次Request的url可以这样定义:
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
(2)、Form Data的参数
拉勾网将是否是第一次请求、当前的页码,以及输入的招聘职位信息全部包含在Form Data中
从截图看,当前页面是第一页,所以肯定是第一次请求。
我们在看下第二页的参数信息。
![Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件 Python爬虫实战之一 - 基于Requests爬取拉勾网招聘信息,并保存至本地csv文件](https://pythonjishu.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
当我们点击第二页的时候,请求记录中会多出现一条请求记录,请求的url链接依然是我们上面分析的url,但是Form Data的参数调整为第二页对应的参数,见截图。
所以,在Request请求时,我们就可以按照这个规律拼装Form Data参数。
(3)、result中的惊喜
在url->Preview->content->positionResult->result中(见Html的第三张截图),竟然可以找到页面招聘列表页,我们需要的15个招聘职位信息...这也是拉勾网最让我吃惊的地方,这样让爬取招聘信息变得如此简单。
三、爬取拉钩网实战
先上全部代码,如下:
1 import requests
2 import pandas
3 import time
4 import random
5
6 #用于获取页面信息
7 def getWebResult(url,cookies,form,header):
8 html = requests.post(url=url,cookies=cookies,data=form, headers=header)
9 result = html.json()
10 #找到html中result包含的招聘职位信息
11 data = result['content']['positionResult']['result'] # 返回结果在preview中的具体返回值
12 return data
13
14 #将招聘信息按照对应的参数,组装成字典
15 def getGoalData(data):
16 for i in range(15):#每页默认15个职位
17 info={
18 'positionName': data[i]['positionName'], #职位简称
19 'companyShortName': data[i]['companyShortName'], #平台简称
20 'salary': data[i]['salary'], #职位薪水
21 'createTime': data[i]['createTime'], #发布时间
22 'companyId':data[i]['companyId'], #公司ID
23 'companyFullName':data[i]['companyFullName'], #公司全称
24 'companySize': data[i]['companySize'], #公司规模
25 'financeStage': data[i]['financeStage'], #融资情况
26 'industryField': data[i]['industryField'], #所在行业
27 'education': data[i]['education'], #教育背景
28 'district': data[i]['district'], #公司所在区域
29 'businessZones':data[i]['businessZones'] #区域详细地
30 }
31 data[i]=info
32 return data
33
34 #保存data至笨死csv文件
35 def saveData(data,stage):
36 table = pandas.DataFrame(data)
37 table.to_csv(r'/Users/shang/Desktop/myself/LaGou1.csv', header=stage, index=False, mode='a+')
38
39 def main():
40 # 拼装header信息
41 header = {
42 'Host': 'www.lagou.com',
43 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',
44 'Accept': 'application/json, text/javascript, */*; q=0.01',
45 'Accept-Language': 'zh-CN,en-US;q=0.9,en;q=0.8',
46 'Accept-Encoding': 'gzip, deflate, br',
47 'Referer': 'https://www.lagou.com/jobs/list_%E4%BA%A7%E5%93%81%E7%BB%8F%E7%90%86?px=default&city=%E5%8C%97%E4%BA%AC',
48 'Content-Type': 'application/x-www-form-urlencoded; ',
49 'X-Requested-With': 'XMLHttpRequest',
50 'X-Anit-Forge-Token': 'None',
51 'X-Anit-Forge-Code': '0',
52 'Content-Length': '55',
53 'Connection': 'keep-alive',
54 'Pragma': 'no-cache',
55 'Cache-Control': 'no-cache, no-store, max-age=0'
56 }
57 cookies = {
58 'Cookie':' _ga=GA1.2.1499991452.1534085805; user_trace_token=20180812225645-ee28a588-9e3f-11e8-a37b-5254005c3644; LGUID=20180812225645-ee28aac6-9e3f-11e8-a37b-5254005c3644; WEBTJ-ID=20180927222225-1661b68d0a37-0b11bfd97d0f95-346a7809-1296000-1661b68d0a47da; _gid=GA1.2.150811619.1538058146; X_HTTP_TOKEN=7ef120203302eaa5cd2d6f14f01d94b8; LG_LOGIN_USER_ID=210fc6122b83eb29927899e722463f91536920a7b853cd6c; _putrc=C259D6000DA09FDE; JSESSIONID=ABAAABAAAGFABEF00AF5692AF9B9D2C66B07270E514B7A9; login=true; unick=%E5%B0%9A%E5%85%A8%E9%91%AB; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=26; index_location_city=%E5%8C%97%E4%BA%AC; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1538058189,1538137263,1538231886,1538298276; gate_login_token=e052ef59f765dd0dc8e68637d17b953008d587077d8a7f78; TG-TRACK-CODE=search_code; LGSID=20180930224915-006ea101-c4c0-11e8-bb68-5254005c3644; PRE_UTM=; PRE_HOST=; PRE_SITE=https%3A%2F%2Fwww.lagou.com%2F; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2Fjobs%2Flist_%25E4%25BA%25A7%25E5%2593%2581%25E7%25BB%258F%25E7%2590%2586%3FlabelWords%3D%26fromSearch%3Dtrue%26suginput%3D; SEARCH_ID=3dd73994b82a47be86797e1f001db6c6; _gat=1; LGRID=20180930231820-109f3a78-c4c4-11e8-bb68-5254005c3644; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1538320700'
59 }
60
61
62 # 职位关键字
63 job='产品经理'
64
65 # 职位所属地
66 city = '北京'
67 # 模拟请求的url
68 url = 'https://www.lagou.com/jobs/positionAjax.json?city=' + city + '&needAddtionalResult=false'
69
70 #用于定义开始爬取的起始页码
71 startPage=1
72
73 #拉勾网有个限制,单次只能连续爬取5页,所以使用一个以5页为轮循的小策略
74 while startPage |