爬虫---爬取拉钩信息网

Posted 2022-09-20 qican

　　今天不知道写点什么，想到金9银10了写一篇抓取拉勾网我们软件测试工程师的薪资~~

 

爬取拉勾网职业信息

分析网站信息

1、打开拉勾网，输入我们想要查找的职位

 

2、通过抓包工具或者开发者工具查看请求数据

发现是请求地址：https://www.lagou.com/jobs/positionAjax.json?city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false

通过post形式请求的，请求参数也可以看到

4、分析页面数据

通过分析，数据已json的格式存在preview中

怎么获取数据呢？ 我们可以通过获取返回的json内容，通过json的内容找到我们想要的数据

 

3、通过requests发送post请求

首先直接请求requests拉勾网信息，添加请求头。

  

发现会提示请求频繁无法获取网站信息，那这样怎么去搞？

前面小编写过一个通过session会话请求的数据，那么我们今天来试试

首先请求我们网页显示的信息获取cookies值，携带这网页的cookies再去请求我们需要爬取的url

import requests
# 请求地址
url = ‘https://www.lagou.com/jobs/positionAjax.json?city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false‘
# 请求头
headers = 
            ‘Accept‘: "application/json, text/javascript, */*; q=0.01",
            ‘User-Agent‘: "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/75.0.3770.142 Safari/537.36",
            ‘Referer‘:‘https://www.lagou.com/jobs/list_%E8%BD%AF%E4%BB%B6%E6%B5%8B%E8%AF%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E4%B8%8A%E6%B5%B7&cl=false&fromSearch=true&labelWords=&suginput=‘
    
# 请求参数
form_data = 
            ‘first‘: ‘true‘,
            ‘pn‘: 1,
            ‘kd‘: ‘软件测试工程师‘
    
# 导入session回话
s = requests.session()
# 请求页面地址获取cookies
url_list = ‘https://www.lagou.com/jobs/list_%E8%BD%AF%E4%BB%B6%E6%B5%8B%E8%AF%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E4%B8%8A%E6%B5%B7&cl=false&fromSearch=true&labelWords=&suginput=‘
s.get(url_list, headers=headers)
cookie = s.cookies
# 携带cookies值继续请求
response = s.post(url, data=form_data, headers=headers,cookies=cookie)
job_json = response.json()
# 获取json数据
print(job_json)

通过观察返回的json数据我们得知我们需要的数据都在result数据里面，那么通过json的方式我们可以提取出来，放到一个列表中，方便稍后我们写入csv文件中

csv_data = []
    for i in job_list:
        job_info = []
        job_info.append(i[‘positionName‘])  # 职位
        job_info.append(i[‘companyShortName‘])  # 公司
        job_info.append(i[‘salary‘])    # 薪资
        job_info.append(i[‘education‘])  # 学历
        job_info.append(i[‘district‘])  # 位置
        job_info.append(i[‘workYear‘])  # 工作经验要求
        job_info.append(i[‘positionAdvantage‘])  # 福利待遇
        csv_data.append(job_info)

4、数据写入csv文件中

写入csv文件写过很多次了，基本上都是一样的

csvfile = open(‘软件职业.csv‘, ‘a+‘,encoding=‘utf-8-sig‘,newline=‘‘)
    writer = csv.writer(csvfile)
    writer.writerows(csv_data)
    csvfile.close()

5、构建分页列表，爬取全部数据

通过观察分页的控制是在form_data中，我们呢就模拟分页内容，爬取全部数据

all = []
    for page_num in range(1, 30):
        result = data(page=page_num)
# 获取一共多少个数据
        all += result
        print(‘已抓取页, 总职位数:‘.format(page_num, len(all)))

 

完整代码

import requests
# 请求地址
url = ‘https://www.lagou.com/jobs/positionAjax.json?city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false‘
# 请求头
headers = 
            ‘Accept‘: "application/json, text/javascript, */*; q=0.01",
            ‘User-Agent‘: "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36",
            ‘Referer‘:‘https://www.lagou.com/jobs/list_%E8%BD%AF%E4%BB%B6%E6%B5%8B%E8%AF%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E4%B8%8A%E6%B5%B7&cl=false&fromSearch=true&labelWords=&suginput=‘
    
# 请求参数
form_data = 
            ‘first‘: ‘true‘,
            ‘pn‘: 1,
            ‘kd‘: ‘软件测试工程师‘
    
# 导入session回话
s = requests.session()
# 请求页面地址获取cookies
url_list = ‘https://www.lagou.com/jobs/list_%E8%BD%AF%E4%BB%B6%E6%B5%8B%E8%AF%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E4%B8%8A%E6%B5%B7&cl=false&fromSearch=true&labelWords=&suginput=‘
s.get(url_list, headers=headers)
cookie = s.cookies
# 携带cookies值继续请求
response = s.post(url, data=form_data, headers=headers,cookies=cookie)
job_json = response.json()
csv_data = []
for i in job_list:
     job_info = []
     job_info.append(i[‘positionName‘])  # 职位
     job_info.append(i[‘companyShortName‘])  # 公司
     job_info.append(i[‘salary‘])    # 薪资
     job_info.append(i[‘education‘])  # 学历
     job_info.append(i[‘district‘])  # 位置
     job_info.append(i[‘workYear‘])  # 工作经验要求
     job_info.append(i[‘positionAdvantage‘])  # 福利待遇
     csv_data.append(job_info)　　# 写入列表中
print(csv_data)
csvfile = open(‘软件职业.csv‘, ‘a+‘,encoding=‘utf-8-sig‘,newline=‘‘)
writer = csv.writer(csvfile)
writer.writerows(csv_data)
csvfile.close()
return csv_data
if __name__ == ‘__main__‘:
    a = [(‘职位‘,‘公司‘,‘薪资‘,‘学历‘,‘位置‘,‘工作经验要求‘,‘福利待遇‘)]
    csvfile = open(‘软件职业.csv‘, ‘a+‘,encoding=‘utf-8-sig‘,newline=‘‘)
    writer = csv.writer(csvfile)
    writer.writerows(a)
    csvfile.close()
    all = []
    for page_num in range(1, 30):
        result = data(page=page_num)
        all += result
        print(‘已抓取页, 总职位数:‘.format(page_num, len(all)))
    # 控制时间，防止网站认为爬虫
        time.sleep(15)  

抓取的结果：

 

看到我们测试工资这么高，好心动，~~~~~

注意，不要请求太过于频繁，会认为爬虫封IP的。

 

如果感觉喜欢的话，右下角点个关注~~~