转载

薪资调查的小爬虫,并将抓取结果保存到excel中

学习Python也有一段时间了,各种理论知识大体上也算略知一二了,今天就进入实战演练:通过Python来编写一个拉勾网薪资调查的小爬虫。

第一步:分析网站的请求过程

我们在查看拉勾网上的招聘信息的时候,搜索Python,或者是PHP等等的岗位信息,其实是向服务器发出相应请求,由服务器动态的响应请求,将我们所需要的内容通过浏览器解析,呈现在我们的面前。

薪资调查的小爬虫,并将抓取结果保存到excel中

可以看到我们发出的请求当中,FormData中的kd参数,就代表着向服务器请求关键词为Python的招聘信息。

分析比较复杂的页面请求与响应信息,推荐使用 Fiddler ,对于分析网站来说绝对是一大杀器。不过比较简单的响应请求用浏览器自带的开发者工具就可以,比如像 火狐的FireBug 等等,只要轻轻一按F12,所有的请求的信息都会事无巨细的展现在你面前。

经由分析网站的请求与响应过程可知,拉勾网的招聘信息都是由XHR动态传递的。

薪资调查的小爬虫,并将抓取结果保存到excel中

我们发现,以POST方式发出的请求有两个,分别是companyAjax.json和positionAjax.json,它们分别控制当前显示的页面和页面中包含的招聘信息。

薪资调查的小爬虫,并将抓取结果保存到excel中

可以看到,我们所需要的信息包含在positionAjax.json的Content->result当中,其中还包含了一些其他参数信息,包括总页面数(totalPageCount),总招聘登记数(totalCount)等相关信息。

第二步:发送请求,获取页面

知道我们所要抓取的信息在哪里是最为首要的,知道信息位置之后,接下来我们就要考虑如何通过Python来模拟浏览器,获取这些我们所需要的信息。

  1 def read_page(url, page_num, keyword):  # 模仿浏览器post需求信息,并读取返回后的页面信息  2     page_headers = {  3         'Host': 'www.lagou.com',  4         'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '  5                       'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',  6         'Connection': 'keep-alive'  7         }  8     if page_num == 1:  9         boo = 'true' 10     else: 11         boo = 'false' 12     page_data = parse.urlencode([   # 通过页面分析,发现浏览器提交的FormData包括以下参数 13         ('first', boo), 14         ('pn', page_num), 15         ('kd', keyword) 16         ]) 17     req = request.Request(url, headers=page_headers) 18     page = request.urlopen(req, data=page_data.encode('utf-8')).read() 19     page = page.decode('utf-8') 20     return page 

其中比较关键的步骤在于如何仿照浏览器的Post方式,来包装我们自己的请求。

request包含的参数包括所要抓取的网页url,以及用于伪装的headers。urlopen中的data参数包括FormData的三个参数(first、pn、kd)

包装完毕之后,就可以像浏览器一样访问拉勾网,并获得页面数据了。

第三步:各取所需,获取数据

获得页面信息之后,我们就可以开始爬虫数据中最主要的步骤:抓取数据。

抓取数据的方式有很多,像正则表达式re,lxml的etree,json,以及bs4的BeautifulSoup都是python3抓取数据的适用方法。大家可以根据实际情况,使用其中一个,又或多个结合使用。

  1 def read_tag(page, tag):  2     page_json = json.loads(page)  3     page_json = page_json['content']['result']    4     # 通过分析获取的json信息可知,招聘信息包含在返回的result当中,其中包含了许多其他参数  5     page_result = [num for num in range(15)]  # 构造一个容量为15的占位list,用以构造接下来的二维数组  6     for i in range(15):  7         page_result[i] = []  # 构造二维数组  8         for page_tag in tag:  9             page_result[i].append(page_json[i].get(page_tag))  # 遍历参数,将它们放置在同一个list当中 10         page_result[i][8] = ','.join(page_result[i][8]) 11     return page_result   # 返回当前页的招聘信息 

第四步:将所抓取的信息存储到excel中

获得原始数据之后,为了进一步的整理与分析,我们有结构有组织的将抓取到的数据存储到excel中,方便进行数据的可视化处理。

这里我用了两个不同的框架,分别是老牌的xlwt.Workbook、以及xlsxwriter。

  1 def save_excel(fin_result, tag_name, file_name):  2     book = Workbook(encoding='utf-8')  3     tmp = book.add_sheet('sheet')  4     times = len(fin_result)+1  5     for i in range(times):  # i代表的是行,i+1代表的是行首信息  6         if i == 0:  7             for tag_name_i in tag_name:  8                 tmp.write(i, tag_name.index(tag_name_i), tag_name_i)  9         else: 10             for tag_list in range(len(tag_name)): 11                 tmp.write(i, tag_list, str(fin_result[i-1][tag_list])) 12     book.save(r'C:/Users/Administrator/Desktop/%s.xls' % file_name) 

首先是xlwt,不知道为什么,xlwt存储到100多条数据之后,会存储不全,而且excel文件也会出现“部分内容有问题,需要进行修复”我检查了很多次,一开始以为是数据抓取的不完全,导致的存储问题。后来断点检查,发现数据是完整的。后来换了本地的数据进行处理,也没有出现问题。我当时的心情是这样的:

薪资调查的小爬虫,并将抓取结果保存到excel中

到现在我也没弄明白,有知道的大神希望能告诉我ლ(╹ε╹ლ)

  1 def save_excel(fin_result, tag_name, file_name):  # 将抓取到的招聘信息存储到excel当中  2     book = xlsxwriter.Workbook(r'C:/Users/Administrator/Desktop/%s.xls' % file_name)  # 默认存储在桌面上  3     tmp = book.add_worksheet()  4     row_num = len(fin_result)  5     for i in range(1, row_num):  6         if i == 1:  7             tag_pos = 'A%s' % i  8             tmp.write_row(tag_pos, tag_name)  9         else: 10             con_pos = 'A%s' % i 11             content = fin_result[i-1]  # -1是因为被表格的表头所占 12             tmp.write_row(con_pos, content) 13     book.close() 

这是使用xlsxwriter存储的数据,没有问题,可以正常使用。

到从为止,一个抓取拉勾网招聘信息的小爬虫就诞生了。

附上源码

  1 #! -*-coding:utf-8 -*-  2   3 from urllib import request, parse  4 from bs4 import BeautifulSoup as BS  5 import json  6 import datetime  7 import xlsxwriter  8   9 starttime = datetime.datetime.now() 10  11 url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC' 12 # 拉钩网的招聘信息都是动态获取的,所以需要通过post来递交json信息,默认城市为北京 13  14 tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize', 15        'industryField', 'companyLabelList']  # 这是需要抓取的标签信息,包括公司名称,学历要求,薪资等等 16  17 tag_name = ['公司名称', '公司简称', '职位名称', '所需学历', '工资', '公司资质', '公司规模', '所属类别', '公司介绍'] 18  19  20 def read_page(url, page_num, keyword):  # 模仿浏览器post需求信息,并读取返回后的页面信息 21     page_headers = { 22         'Host': 'www.lagou.com', 23         'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 24                       'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 25         'Connection': 'keep-alive' 26         } 27     if page_num == 1: 28         boo = 'true' 29     else: 30         boo = 'false' 31     page_data = parse.urlencode([   # 通过页面分析,发现浏览器提交的FormData包括以下参数 32         ('first', boo), 33         ('pn', page_num), 34         ('kd', keyword) 35         ]) 36     req = request.Request(url, headers=page_headers) 37     page = request.urlopen(req, data=page_data.encode('utf-8')).read() 38     page = page.decode('utf-8') 39     return page 40  41  42 def read_tag(page, tag): 43     page_json = json.loads(page) 44     page_json = page_json['content']['result']  # 通过分析获取的json信息可知,招聘信息包含在返回的result当中,其中包含了许多其他参数 45     page_result = [num for num in range(15)]  # 构造一个容量为15的list占位,用以构造接下来的二维数组 46     for i in range(15): 47         page_result[i] = []  # 构造二维数组 48         for page_tag in tag: 49             page_result[i].append(page_json[i].get(page_tag))  # 遍历参数,将它们放置在同一个list当中 50         page_result[i][8] = ','.join(page_result[i][8]) 51     return page_result   # 返回当前页的招聘信息 52  53  54 def read_max_page(page):  # 获取当前招聘关键词的最大页数,大于30的将会被覆盖,所以最多只能抓取30页的招聘信息 55     page_json = json.loads(page) 56     max_page_num = page_json['content']['totalPageCount'] 57     if max_page_num > 30: 58         max_page_num = 30 59     return max_page_num 60  61  62 def save_excel(fin_result, tag_name, file_name):  # 将抓取到的招聘信息存储到excel当中 63     book = xlsxwriter.Workbook(r'C:/Users/Administrator/Desktop/%s.xls' % file_name)  # 默认存储在桌面上 64     tmp = book.add_worksheet() 65     row_num = len(fin_result) 66     for i in range(1, row_num): 67         if i == 1: 68             tag_pos = 'A%s' % i 69             tmp.write_row(tag_pos, tag_name) 70         else: 71             con_pos = 'A%s' % i 72             content = fin_result[i-1]  # -1是因为被表格的表头所占 73             tmp.write_row(con_pos, content) 74     book.close() 75  76  77 if __name__ == '__main__': 78     print('**********************************即将进行抓取**********************************') 79     keyword = input('请输入您要搜索的语言类型:') 80     fin_result = []  # 将每页的招聘信息汇总成一个最终的招聘信息 81     max_page_num = read_max_page(read_page(url, 1, keyword)) 82     for page_num in range(1, max_page_num): 83         print('******************************正在下载第%s页内容*********************************' % page_num) 84         page = read_page(url, page_num, keyword) 85         page_result = read_tag(page, tag) 86         fin_result.extend(page_result) 87     file_name = input('抓取完成,输入文件名保存:') 88     save_excel(fin_result, tag_name, file_name) 89     endtime = datetime.datetime.now() 90     time = (endtime - starttime).seconds 91     print('总共用时:%s s' % time) 


还有许多功能可以添加,比如说通过修改city参数查看不同城市的招聘信息啦等等,大家可以自行开发,这里只做抛砖引玉之用,欢迎交流,转载请注明出处~ (^ _ ^)/~~

原文  http://www.cnblogs.com/Lands-ljk/p/5357746.html
正文到此结束
Loading...