python 爬虫之爬取大街网（思路）

由于需要，本人需要对大街网招聘信息进行分析，故写了个爬虫进行爬取。这里我将记录一下，本人爬取大街网的思路。

附：爬取得数据仅供自己分析所用，并未用作其它用途。

附：本篇适合有一定 爬虫基础 crawler 观看，有什么没搞明白的，欢迎大家留言，或者私信博主。

首先，打开目标网址www.dajie.com ，在职位搜索中 输入所需职业或关键信息 （我这演示的是 程序员），然后可得到新的链接地址 https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job

我们可以看到 ，数据的排序方式有2种，一种是 默认 ，一种是 时间 ，当你点击的时候你可以看到 数据的排序方式发生了变化，但是网页链接却没有变化，而且点击 下一页 的时候页面的链接也没有发生变化，其原因是 当你对其操作时，它通过

JS获取ajax数据进行变换填充，所以如果你要获取所需数据，你只能通过获取其ajax数据。（当然还有模拟JS渲染，得到页面，我没有尝试过，这里也不做多述）

那么如何获取到其数据呢？

当你单击 下一页 等操作时，通过抓包（XHR中）可以查看到ajax数据的来源，查看的时候可以看到其返回的是200（所需的数据），但当你在新的页面打开时，却发现返回的是299，不是你想要的结果。如一下这个链接就是对其进行时间排序所得

的ajax(https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

但是如果你是单独打开它的时候，它返回的是一个错误的页面，这应该是 大街网 反爬虫的一种手段。

找到了返回的ajax地址链接，我们该如何正确的打开这个链接呢？

当我们打开这个 链接时（https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job）会发现服务器端回返回一个 Cookie

因此 当你访问 (https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

链接时，你必须要传入服务器返回的cookie 才能够获取到正确的结果。

下面附上本人写的代码，仅供参考。

其中需要注意的是：这些代码仅提供一个思路，里面的很多变量、类都是我项目里面的。

这里统一做一下解释

#from myproject.dajie import Jobs, IpAgentPool   指引入 Ip 池，Jobs所需要爬取得 关键字集合.(下面演示时用不到的)
#from myproject import agentPool　　　　　　　　　　引入 Agent池， 用作伪装浏览器使用

 from myproject.dajie import Jobs, IpAgentPool
 from myproject import agentPool
 import http.cookiejar
 import urllib.request
 import urllib.parse
 import random
 import re
 #import pymssql

 class dj():

     def __init__(self):
         # -----BASEURL  为目标网站的URL
         # -----ToSearchJob  为需要搜寻的工作
         # -----Agent  为Agent池，用于伪装浏览器
         # -----opener 为自己建造的一个opener，配合cookiejar可用于存储cookies
         def Myopener(self):
                 cookie = http.cookiejar.CookieJar()
                 return urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))

         self.BASEURL = "https://www.dajie.com/"
         # self.ToSearchJob=Jobs.TheJobNeedToSearch
         self.AgentPool = agentPool.userAgent
         self.IpPool = IpAgentPool.ipPool

         self.opener = Myopener(self=self)

         pass

     def getContext(self):
         url="https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"

         header=\
             {
                 "User-Agent":agentPool.userAgent[int(random.random()*4)],
                 "Referer":"https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"
             }

         head=[]

         for key,value in header.items():
             head.append((key,value))

         self.opener.addheaders=head

         #session_cookie用于保存服务器返回的cookie，并将其保存
         #
         #其实只需要保存  session_cookie["SO_COOKIE_V2"]  即可，其余的是多余的。服务器在进行验证的时候，只会验证 SO_COOKIE_V2
         #
         session_cookie={}
         session=self.opener.open("https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job")
         print((session.info()))

         session_cookie["DJ_RF"]= re.findall(r"DJ_RF=.+?;",str(session.info()))[0].split("=")[1]
         session_cookie["DJ_EU"]=re.findall(r"DJ_EU=.+?;",str(session.info()))[0].split("=")[1]
         session_cookie["DJ_UVID"] = re.findall(r"DJ_UVID=.+?;", str(session.info()))[0].split("=")[1]
         session_cookie["SO_COOKIE_V2"] = re.findall(r"SO_COOKIE_V2=.+?;", str(session.info()))[0].split("=")[1]

         #data 包含的是所需要传入的 cookie
         data=\
             {
                 "DJ_RF":session_cookie["DJ_RF"].strip(";"),
                 "DJ_EU":session_cookie["DJ_EU"].strip(";"),
                 "DJ_UVID":session_cookie["DJ_UVID"].strip(";"),
                 "SO_COOKIE_V2":session_cookie["SO_COOKIE_V2"].strip(";"),
                 "__login_tips":1,
             }
         #将 数据解析为传入数据的格式
         _data=urllib.parse.urlencode(data,"utf-8")
         print("______________")
         print(_data)
         #
         #_url 指的是ajax的链接地址
         _url="https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1"
         req=self.opener.open(_url,data=_data.encode("utf-8"))

         print("-----------------")
         print(req.read().decode("utf-8"))

         #print(req.read().decode("utf-8"))

 if __name__=="__main__":
     _dj=dj()
     _dj.getContext()

最后附上运行结果的截图