學習Python也有一段時間了，各種理論知識大體上也算略知一二了，今天就進入實戰演練：通過Python來編寫一個拉勾網薪資調查的小爬蟲。
第一步：分析網站的請求過程
我們在查看拉勾網上的招聘信息的時候，搜索Python，或者是PHP等等的崗位信息，其實是向服務器發出相應請求，由服務器動態的響應請求，將我們所需要的內容通過瀏覽器解析，呈現在我們的面前。
可以看到我們發出的請求當中，FormData中的kd參數，就代表著向服務器請求關鍵詞為Python的招聘信息。
分析比較復雜的頁面請求與響應信息，推薦使用Fiddler，對于分析網站來說絕對是一大殺器。不過比較簡單的響應請求用瀏覽器自帶的開發者工具就可以，比如像火狐的FireBug等等，只要輕輕一按F12，所有的請求的信息都會事無巨細的展現在你面前。
經由分析網站的請求與響應過程可知，拉勾網的招聘信息都是由XHR動態傳遞的。
我們發現，以POST方式發出的請求有兩個，分別是companyAjax.json和positionAjax.json，它們分別控制當前顯示的頁面和頁面中包含的招聘信息。
可以看到，我們所需要的信息包含在positionAjax.json的Content->result當中，其中還包含了一些其他參數信息，包括總頁面數（totalPageCount），總招聘登記數（totalCount）等相關信息。
第二步：發送請求，獲取頁面
知道我們所要抓取的信息在哪里是最為首要的，知道信息位置之后，接下來我們就要考慮如何通過Python來模擬瀏覽器，獲取這些我們所需要的信息。
def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息，并讀取返回后的頁面信息 page_headers = { 'Host': 'www.lagou.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Connection': 'keep-alive' } if page_num == 1: boo = 'true' else: boo = 'false' page_data = parse.urlencode([ # 通過頁面分析，發現瀏覽器提交的FormData包括以下參數 ('first', boo), ('pn', page_num), ('kd', keyword) ]) req = request.Request(url, headers=page_headers) page = request.urlopen(req, data=page_data.encode('utf-8')).read() page = page.decode('utf-8') return page
其中比較關鍵的步驟在于如何仿照瀏覽器的Post方式，來包裝我們自己的請求。
request包含的參數包括所要抓取的網頁url，以及用于偽裝的headers。urlopen中的data參數包括FormData的三個參數(first、pn、kd)
包裝完畢之后，就可以像瀏覽器一樣訪問拉勾網，并獲得頁面數據了。
第三步：各取所需，獲取數據
獲得頁面信息之后，我們就可以開始爬蟲數據中最主要的步驟：抓取數據。
抓取數據的方式有很多，像正則表達式re，lxml的etree，json，以及bs4的BeautifulSoup都是python3抓取數據的適用方法。大家可以根據實際情況，使用其中一個，又或多個結合使用。
def read_tag(page, tag): page_json = json.loads(page) page_json = page_json['content']['result'] # 通過分析獲取的json信息可知，招聘信息包含在返回的result當中，其中包含了許多其他參數 page_result = [num for num in range(15)] # 構造一個容量為15的占位list，用以構造接下來的二維數組 for i in range(15): page_result[i] = [] # 構造二維數組 for page_tag in tag: page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數，將它們放置在同一個list當中 page_result[i][8] = ','.join(page_result[i][8]) return page_result # 返回當前頁的招聘信息
第四步：將所抓取的信息存儲到excel中
獲得原始數據之后，為了進一步的整理與分析，我們有結構有組織的將抓取到的數據存儲到excel中，方便進行數據的可視化處理。
這里我用了兩個不同的框架，分別是老牌的xlwt.Workbook、以及xlsxwriter。
def save_excel(fin_result, tag_name, file_name): book = Workbook(encoding='utf-8') tmp = book.add_sheet('sheet') times = len(fin_result)+1 for i in range(times): # i代表的是行,i+1代表的是行首信息 if i == 0: for tag_name_i in tag_name: tmp.write(i, tag_name.index(tag_name_i), tag_name_i) else: for tag_list in range(len(tag_name)): tmp.write(i, tag_list, str(fin_result[i-1][tag_list])) book.save(r'C:/Users/Administrator/Desktop/%s.xls' % file_name) 首先是xlwt，不知道為什么，xlwt存儲到100多條數據之后，會存儲不全，而且excel文件也會出現“部分內容有問題，需要進行修復”我檢查了很多次，一開始以為是數據抓取的不完全，導致的存儲問題。后來斷點檢查，發現數據是完整的。后來換了本地的數據進行處理，也沒有出現問題。我當時的心情是這樣的：
到現在我也沒弄明白，有知道的大神希望能告訴我?(?ε??)
def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當中 book = xlsxwriter.Workbook(r'C:/Users/Administrator/Desktop/%s.xls' % file_name) # 默認存儲在桌面上 tmp = book.add_worksheet() row_num = len(fin_result) for i in range(1, row_num): if i == 1: tag_pos = 'A%s' % i tmp.write_row(tag_pos, tag_name) else: con_pos = 'A%s' % i content = fin_result[i-1] # -1是因為被表格的表頭所占 tmp.write_row(con_pos, content) book.close()
這是使用xlsxwriter存儲的數據，沒有問題，可以正常使用。
到從為止，一個抓取拉勾網招聘信息的小爬蟲就誕生了。
附上源碼
#! -*-coding:utf-8 -*-from urllib import request, parsefrom bs4 import BeautifulSoup as BSimport jsonimport datetimeimport xlsxwriterstarttime = datetime.datetime.now()url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC'# 拉鉤網的招聘信息都是動態獲取的，所以需要通過post來遞交json信息，默認城市為北京tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize', 'industryField', 'companyLabelList'] # 這是需要抓取的標簽信息，包括公司名稱，學歷要求，薪資等等tag_name = ['公司名稱', '公司簡稱', '職位名稱', '所需學歷', '工資', '公司資質', '公司規模', '所屬類別', '公司介紹']def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息，并讀取返回后的頁面信息 page_headers = { 'Host': 'www.lagou.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Connection': 'keep-alive' } if page_num == 1: boo = 'true' else: boo = 'false' page_data = parse.urlencode([ # 通過頁面分析，發現瀏覽器提交的FormData包括以下參數 ('first', boo), ('pn', page_num), ('kd', keyword) ]) req = request.Request(url, headers=page_headers) page = request.urlopen(req, data=page_data.encode('utf-8')).read() page = page.decode('utf-8') return pagedef read_tag(page, tag): page_json = json.loads(page) page_json = page_json['content']['result'] # 通過分析獲取的json信息可知，招聘信息包含在返回的result當中，其中包含了許多其他參數 page_result = [num for num in range(15)] # 構造一個容量為15的list占位，用以構造接下來的二維數組 for i in range(15): page_result[i] = [] # 構造二維數組 for page_tag in tag: page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數，將它們放置在同一個list當中 page_result[i][8] = ','.join(page_result[i][8]) return page_result # 返回當前頁的招聘信息def read_max_page(page): # 獲取當前招聘關鍵詞的最大頁數，大于30的將會被覆蓋，所以最多只能抓取30頁的招聘信息 page_json = json.loads(page) max_page_num = page_json['content']['totalPageCount'] if max_page_num > 30: max_page_num = 30 return max_page_numdef save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當中 book = xlsxwriter.Workbook(r'C:/Users/Administrator/Desktop/%s.xls' % file_name) # 默認存儲在桌面上 tmp = book.add_worksheet() row_num = len(fin_result) for i in range(1, row_num): if i == 1: tag_pos = 'A%s' % i tmp.write_row(tag_pos, tag_name) else: con_pos = 'A%s' % i content = fin_result[i-1] # -1是因為被表格的表頭所占 tmp.write_row(con_pos, content) book.close()if __name__ == '__main__': print('**********************************即將進行抓取**********************************') keyword = input('請輸入您要搜索的語言類型：') fin_result = [] # 將每頁的招聘信息匯總成一個最終的招聘信息 max_page_num = read_max_page(read_page(url, 1, keyword)) for page_num in range(1, max_page_num): print('******************************正在下載第%s頁內容*********************************' % page_num) page = read_page(url, page_num, keyword) page_result = read_tag(page, tag) fin_result.extend(page_result) file_name = input('抓取完成，輸入文件名保存：') save_excel(fin_result, tag_name, file_name) endtime = datetime.datetime.now() time = (endtime - starttime).seconds print('總共用時：%s s' % time) 還有許多功能可以添加，比如說通過修改city參數查看不同城市的招聘信息啦等等，大家可以自行開發，這里只做拋磚引玉之用，歡迎交流，
