Python3网络爬虫之requests动态爬虫：拉钩网

操作环境： Windows10、Python3.6、Pycharm、谷歌浏览器
目标网址： https://www.lagou.com/jobs/list_Python/p-city_0?px=default （拉钩Python职位）

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：101677771

爬虫目录

1、项目疑惑

拉钩爬虫区别于许多网站的反爬机制，即使请求头参数以及请求体参数加齐也无法请求返回正确数据，若返回 “您操作太频繁,请稍后再访问” 字眼，则表示被拉钩反爬机制识别你的不是正常浏览网页，而是爬虫程序请求。

{"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"223.104.65.43","state":2402}

2、分析网页

本次项目与上次腾讯爬虫一样属于ajax加载的动态数据，但是他与腾讯招聘不同的是，列表页是ajax加载数据，而详情页却是静态数据，腾讯招聘则是经典的双ajax加载数据页面。

所以本次项目只为了解决反爬机制与爬取列表页数据即可，下次小编再带大家写一篇动静结合的爬虫项目，敬请期待。话不多说，开始进入正题！

2.1、POST请求

requests模块发送post请求时，提交的是data参数，但data表单参数不会在接口链接上显示，这与之get请求的params参数相反。

2.2、参数解析

px参数： 工作地点，爬取指定地点的岗位信息。
pn参数： 翻页页数。
kd参数： 职位名，爬取指定岗位名称的相关信息。

2.3、详情页分析

虽说此次不请求详情页里的数据，但还是帮其他有需要的小伙伴解析一波。

因为详情页为静态数据，所以我们直接分析它的链接即可。从岗位详情页链接可看出两个重要参数：职位特有id与show参数。

通过分析列表页的json数据发现岗位特有id与show参数均在里面。

从下图可看出岗位特有id是固定不变的，然而show参数却是每次请求将变换，会更新，不固定。但无关系，直接从请求的列表页中获取即可，即请求即获取。

3、解决请求

目标网址：

3.1、请求数据

分析好网页，开始写程序代码，首先导入需要的库以及设置请求头伪造身份，而post请求需要用到的data参数需要重复使用到，则定义一个from_data函数构建data参数，以便调用它。

# 导入需要的库

import requests

import json

import parsel

import openpyxl

import re

headers = {     # 请求头，伪造身份

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36',

}

'''构建data表单'''

def from_data(kd,pn):

    json_data = {

        'first': 'false',

        'pn': str(pn),       # 页数

        'kd': kd        # 职位名

    }

    return json_data

'''请求数据'''

def get_data(json_url):

    data = from_data('python','1')# 获取表单数据

    # 请求接口链接

    response = requests.post(url=json_url,headers=headers,data=data)

    print(response.text)

if __name__ == '__main__':

    # json接口链接

    json_url = 'https://www.lagou.com/jobs/positionAjax.json?city=%E5%B9%BF%E5%B7%9E&needAddtionalResult=false'

    get_data(json_url)    # 获取数据

输出结果为"您操作太频繁,请稍后再访问"，出现这情况表示拉钩服务器已识别这次请求为爬虫程序。一开始我以为是请求头参数没有加齐，随后将Headers里的origin与referer参数加上还是没有解决问题。
后面一想，会不会是爬虫请求频率过快，导致被拉钩服务器限制识别到了？而后我利用time模块设置延迟time.sleep(5)睡眠五秒，依然还是“操作频繁”的结果，脑瓜疼。

3.2、解决反爬

研究了三四个小时，依旧没有成。随后咨询了大佬，大佬一下给出了两个方案：
一、利用session保持会话登录提取数据；
二、请求搜索关键词链接的cookies信息，将其加入到json接口链接post请求中。

这次小编采取了第二种方案：定义一个get_cookies函数,用于请求关键字页面的cookies身份信息，以便post请求的调用。此外，重新定义两个请求头信息，分别用于获取cookie的get请求和获取json职位数据的post请求。

cookie_headers = {     # cookie请求头，伪造身份

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36',

    'referer':'https://www.lagou.com/jobs/list_Python/p-city_213?&cl=false&fromSearch=true&labelWords=&suginput='

}

json_headers = {  # json数据请求头

    'Host': 'www.lagou.com',

    "origin": "https://www.lagou.com",

    "referer": "referer: https://www.lagou.com/jobs/list_Python/p-city_0?&cl=false&fromSearch=true&labelWords=&suginput=",

    "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36",

}

'''请求cookies值'''

def get_cookies(cookies_url):

    # allow_redirects重定向

    response = requests.get(url=cookies_url, headers=headers, allow_redirects=False)

    cookies = response.cookies  # get请求获取cookies值

    return cookies

'''请求数据'''

def get_data(json_url):

    # for pn in range(1,3,1):

    # 搜索关键字链接

    cookies_url = 'https://www.lagou.com/jobs/list_Python/p-city_0?&cl=false&fromSearch=true&labelWords=&suginput='

    cookies = get_cookies(cookies_url)  # 获取cookie

    json_data = from_data('1','Python')  # 获取表单数据

    # 请求接口链接

    response = requests.post(url=json_url,headers=json_headers,cookies=cookies,data=json_data)

    print(response.text)

这里测试一页，输出结果中有Python的职位名，获取的数据无误，反爬解决成功！

4、翻页

搜索关键字职位页面，每个职位固定显示30页。
由于数据是ajax加载，应该在职位链接接口返回数据里查看总的数据量。
分析得知，有些职位超过几百页甚至上千页数据，但过了200都是空的数据，即某些职位至多可爬到200页。

4.1、for循环翻页

for循环翻页即手动设置翻页页数，这样只适合单个职位爬取方式，简单有效。

for pn in range(1,10,1):    # for循环翻页

    # 搜索关键字链接

    cookies_url = 'https://www.lagou.com/jobs/list_Python/p-city_0?&cl=false&fromSearch=true&labelWords=&suginput='

    cookies = get_cookies(cookies_url)  # 获取cookie

    json_data = from_data(str(pn),'Python')  # 获取表单数据

    # 请求接口链接

    response = requests.post(url=json_url,headers=json_headers,cookies=cookies,data=json_data)

    print(len(response.text))

这里代码测试十页，len()返回长度成功！：

4.2、while循环翻页

自定义每页总的职位数量，while True无限循环，每循环一次加每页总的职位数量，直到自定义的职位数量大于获取到的总职位量，便结束循环、结束翻页。

提取相关的职位字段数据。
replace：替换
‘’.join()：合并

'''请求数据'''

def get_data(json_url):

	data_list = []      # 定义一个空列表，用于填充获取到的字段数据

    pn = 15

    while True:

        # 搜索关键字链接

        cookies_url = 'https://www.lagou.com/jobs/list_Python/p-city_0?&cl=false&fromSearch=true&labelWords=&suginput='

        cookies = get_cookies(cookies_url)  # 获取cookie

        json_data = from_data(int(pn / 15),'Python')  # 获取表单数据

        # 请求接口链接

        response = requests.post(url=json_url,headers=json_headers,cookies=cookies,data=json_data)

        results = response.json()['content']['positionResult']['result']

        for result in results:

            id = result['positionId']  # id

            positionName = result['positionName']  # 职位名称

            city = result['city']  # 城市

            companyFullName = result['companyFullName']  # 公司名称

            pub_time = result['createTime']  # 发布时间

            education = result['education']  # 学历

            firstType = result['firstType']  # 职位类型

            firstType = firstType.replace('|', '-')

            salary = result['salary']  # 薪资

            workYear = result['workYear']  # 工作经验

            companySize = result['companySize']  # 公司规模

            skillLables = result['skillLables']  # 学识要求

            skillLables = '-'.join(skillLables)

            companyLabelList = '-'.join(result['companyLabelList'])  # 公司福利

        	# 输出获取到的字段数据

            print(id, positionName, city, companyFullName, pub_time, education,

                  firstType, salary, workYear, companySize, skillLables, companyLabelList)

            data_list.append([id, positionName, city, companyFullName, pub_time, education,

                  firstType, salary, workYear, companySize, skillLables, companyLabelList])

        pn += 15  # 每循环一次增加一页

        if pn > response.json()['content']['positionResult']['totalCount'] + 15:

            break   # 超过总职位数便结束循环

	return data_list

代码输出部分结果：

5、存入Excel

存excel表格需要用到openpyxl，import openpyxl导入，下载即pip install openpyxl

5.1、Excel表头

openpyxl.Workbook()： 创建一个excel薄
create_sheet()： 选择簿名
cell： 操作某行某列的某个值
row： 行
column： 列
value： 值

    # 创建一个excel薄

    wb = openpyxl.Workbook()

    sheet1 = wb.create_sheet('position')

    # 写入excel表头

    sheet1.cell(row=1, column=1, value='id')

    sheet1.cell(row=1, column=2, value='职位名称')

    sheet1.cell(row=1, column=3).value = '城市'

    sheet1.cell(row=1, column=4).value = '公司名称'

    sheet1.cell(row=1, column=5).value = '发布时间'

    sheet1.cell(row=1, column=6).value = '学历'

    sheet1.cell(row=1, column=7).value = '职位类型'

    sheet1.cell(row=1, column=8).value = '薪资'

    sheet1.cell(row=1, column=9).value = '工作经验'

    sheet1.cell(row=1, column=10).value = '公司规模'

    sheet1.cell(row=1, column=11).value = '职位要求'

    sheet1.cell(row=1, column=12).value = '公司福利'

    wb.save('拉勾招聘岗位信息.xlsx')

5.2、保存函数

定义一个save_excel函数用于将数据存入Excel表格。
data_list：数据列表

'''保存为excel文件'''

def save_excel(data_list):

    wb = openpyxl.load_workbook('拉勾招聘岗位信息.xlsx')

    sheet = wb['position']

    for d in data_list:

        sheet.append(d)     # 写入数据

    wb.save('拉勾招聘岗位信息.xlsx')  # 保存

共获取一千二百多条数据，程序成功运行完毕！

六、项目总结

本次项目只爬取了一个Python职位信息，若想继续爬取更多的职位信息，可以定义一个职位列表，将需要爬取的职位名写入其中即可。

但需要注意的地方有两点：

6.1、填充问题

爬取相应的职位需要注意请求头referer参数填充职位名以及请求cookies的链接填充与data表单kd参数的职位名。
由上图可看出若爬取多个职位名信息的情况下，使用while循环获取每个职位的总页数是非常明智的选择。

6.2、汉字职位填充问题

职位名填充有些特殊，若只是Python、java等英文字母组成的职位名则无需转码，而若是大数据、数据分析等汉字组成的职位名时，需要转码成前端适合的编码格式才能获取数据。例如：数据分析 —> %E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90

转化为前端适合的编码格式，需要用到urllib内置库里的parse函数，直接导入即可import urllib.parse 。

import urllib.parse

kd = '数据分析'

position_html = urllib.parse.quote(kd)

print('转化为前端适合的编码格式：',position_html)

# 执行position_html结果为：转化为前端适合的编码格式： %E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90

position = urllib.parse.unquote(position_html)

print('转化为Python程序适合的编码：',position)

# 执行position结果为：转化为Python程序适合的编码： 数据分析

如代码所示，链接填充用position_html即可，若data表单里的kd职位名参数用position即可。