Python3获取拉勾网招聘信息的方法实例
前言
为了了解跟python数据分析有关行业的信息,大概地了解一下对这个行业的要求以及薪资状况,我决定从网上获取信息并进行分析。既然想要分析就必须要有数据,于是我选择了拉勾,冒着危险深入内部,从他们那里得到了信息。不得不说,拉勾的反爬技术还挺厉害的,稍后再说明。话不多说,直接开始。
一、明确目的
每次爬虫都要有明确的目的,刚接触随便找东西试水的除外。我想要知道的是python数据分析的要求以及薪资状况,因此,薪资、学历、工作经验以及一些任职要求就是我的目的。
既然明确了目的,我们就要看一下它们在什么位置,所以我们打开浏览器,寻找目标。像拉勾这种网站他们的信息一般都是通过ajax加载的,而且在输入“python数据分析”敲击回车之后跳转的页面,招聘信息不是一开始就显示出来的,通过点击页码也只是招聘信息在变化甚至连network都没多大变化,可以大胆猜测他是通过post请求的,所以我们只关注post请求以及XHR文件,很快就发现了我们要的东西。
点击preview可见详细信息以json形式保存着,其中‘salary'、‘workYear'、‘education'、‘positionID'(招聘信息详情页有关的id)是我们要的。再观察一下它的form data,其中kd=关键字,pn=pageNum(页码)这是我们请求的时候要带上的参数。另外我们要注意请求头的referer参数,待会儿要用。知道了目标之后,爬起来!
二、开始爬虫
先设置请求头headers,把平时用的user-agent带上,再把formdata也带上,用requests库直接requests.post(url, headers=headers, data=formdata)
,然后就开始报错了: {"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"......","state":2402}
。
解决这个问题的关键在于,了解拉勾的反爬机制:在进入python数据分析招聘页之前,我们要在主页,不妨叫它start_url输入关键字跳转。在这个过程中,服务器会传回来一个cookies,如果带着这个cookies请求的话我们就可以得到要的东西,所以要先请求start_url获取cookies在请求目标url,而且在请求目标地址的话还要带上referer这个请求头参数,referer的含义大概是这样:告诉服务器我是从哪个页面链接过来的,服务器基此可以获得一些信息用于处理。另外,睡眠时间也要设置的长一点,不然很容易被封。知道了反爬机制之后,话不多说,直接上代码。
''' @author: Max_Lyu Create time: 2019/4/1 url: https://github.com/MaxLyu/Lagou_Analyze ''' # 请求起始 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 # 将返回的 cookies 一起 post 给 target_url 并获取数据 def post_target_url(self): cookies = self.get_start_url() pn = 1 for pg in range(30): formdata = { 'first': 'false', 'pn': pn, 'kd': 'python数据分析' } pn += 1 response = requests.post(self.target_url, data=formdata, cookies=cookies, headers=self.headers, timeout=3) self.parse(response) time.sleep(60) # 拉勾的反扒技术比较强,短睡眠时间会被封 # 解析 response,获取 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,这里就不展示了。
三、获取招聘详情
上面说了positionID 是为了获取详情页,详情页里面有要的任职要求。这个要获取就相对容易了,不过文本的处理并没有很简单,我只能通过“要求”这两个字获取任职要求(虽然有的为任职技能啥的,就这样进行取舍了)。
''' @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: # 读取文件 reader = csv.reader(file) for row in reader: # 根据 positionID 补全 url if row[0] != "ID": url = "https://www.lagou.com/jobs/{}.html".format(row[0]) urls.append(url) file.close() return urls # 获取详细信息 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、成果与展示
到这里,爬取的任务就结束了,源码地址:https://github.com/MaxLyu/Lagou_Analyze (本地下载)。获得数据之后就是小小地分析一下了,这个下次再总结。
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对脚本之家的支持。
相关文章
Python爬虫实例之2021猫眼票房字体加密反爬策略(粗略版)
这篇文章主要介绍了Python爬虫实例之2021猫眼票房字体加密反爬策略(粗略版),本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2021-02-02
最新评论