拉勾网职位数据爬取

后面我还对爬取的数据做了分析—拉勾网Python职位分析。

---

• 拉勾网反爬虫做的比较严，请求头多添加几个参数才能不被网站识别。
• 我们找到真正的请求网址，发现返回的是一个JSON串，解析这个JSON串即可，而且注意是POST传值，通过改变Form Data中pn的值来控制翻页。

需要的一些知识点

• AJAX：Asynchronous JavaScript and XML（异步的 JavaScript 和 XML）。它不是新的编程语言，而是一种使用现有标准的新方法。它采用的是AJAX异步请求。通过在后台与服务器进行少量数据交换，AJAX 可以使网页实现异步更新。因此就可以在不重新加载整个网页的情况下，对网页的某部分进行更新，从而实现数据的动态载入。
• XHR：XMLHttpRequest 对象用于和服务器交换数据。

分析网页

打开拉勾网主页之后，我们在搜索框中输入关键字Python，以用来查找和Python相关的职位。在搜索结果的页面中，我们按照以下顺序操作：

• 右键检查
• 打开审查元素后默认打开的是Elements
• 我们切换到Network标签，刷新一下网页会出现各种条目的请求
• 因为该网站是异步请求，所以打开Network中的XHR，针对JSON中的数据进行分析。

我们点击页面中的页数，比如第2页，我们可以在右边看到一个POST请求，这个请求里面包含了真实的URL（浏览器上的URL并没有职位数据，查看源代码就可以发现这一点）、POST请求的请求头Headers、POST请求提交的表单Form Data（这里面包含了页面信息pn、搜索的职位信息kd）。

真实的URL

下面是真实的URL：

请求头信息

下面是我们需要构造的请求头Headers信息，如果这里没有构造好的话，容易被网站识别为爬虫，从而拒绝访问请求。

表单信息

下面是我们发送POST请求时需要包含的表单信息Form Data。

返回的JSON数据

我们可以发现需要的职位信息在content –> positionResult –> result下，其中包含了工作地点、公司名、职位等信息。 我们只需要保存这个数据就可以了。

至此我们分析完毕网页，下面可以开始爬取过程了。

单个页面的爬取

import requests
from fake_useragent import UserAgent
from lxml import etree
import csv
import json
import time
import pandas as pd

构造请求头、表单

下面是构造请求头（headers）。

Host = "www.lagou.com"
Origin =  "https://www.lagou.com"
Referer = "https://www.lagou.com/jobs/list_Python?px=default&gx=&isSchoolJob=1&city=%E6%9D%AD%E5%B7%9E"

ua = UserAgent()

headers = {
    'User-Agent':ua.random,
    'Host':Host,
    'Origin':Origin,
    'Referer':Referer
}

下面是构造表单（Form Data）。

data= {
    'first': False,
    'pn': "1",
    'kd': 'Python'
}

下面是真实的URL地址。

url = "https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E6%9D%AD%E5%B7%9E&needAddtionalResult=false&isSchoolJob=1"

requests获取网页

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

response.status_code

200

页面解析

result = response.json()

position = result['content']['positionResult']['result']

df = pd.DataFrame(position)
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15 entries, 0 to 14
Data columns (total 46 columns):
adWord                   15 non-null int64
appShow                  15 non-null int64
approve                  15 non-null int64
businessZones            7 non-null object
city                     15 non-null object
companyFullName          15 non-null object
companyId                15 non-null int64
companyLabelList         15 non-null object
companyLogo              15 non-null object
companyShortName         15 non-null object
companySize              15 non-null object
createTime               15 non-null object
deliver                  15 non-null int64
district                 15 non-null object
education                15 non-null object
explain                  0 non-null object
financeStage             15 non-null object
firstType                15 non-null object
formatCreateTime         15 non-null object
gradeDescription         0 non-null object
hitags                   4 non-null object
imState                  15 non-null object
industryField            15 non-null object
industryLables           15 non-null object
isSchoolJob              15 non-null int64
jobNature                15 non-null object
lastLogin                15 non-null int64
latitude                 15 non-null object
linestaion               6 non-null object
longitude                15 non-null object
pcShow                   15 non-null int64
plus                     0 non-null object
positionAdvantage        15 non-null object
positionId               15 non-null int64
positionLables           15 non-null object
positionName             15 non-null object
promotionScoreExplain    0 non-null object
publisherId              15 non-null int64
resumeProcessDay         15 non-null int64
resumeProcessRate        15 non-null int64
salary                   15 non-null object
score                    15 non-null int64
secondType               15 non-null object
stationname              6 non-null object
subwayline               6 non-null object
workYear                 15 non-null object
dtypes: int64(13), object(33)
memory usage: 5.5+ KB

type(result)

dict

全部页面的爬取

一共有10个页面，这里全部爬取。

第一次尝试

代码如下：

for page in range(1,11):
    data['pn'] = str(page)
    response = requests.post(url,headers = headers,data = data)
    result = response.json()
    print(result)
    position = result['content']['positionResult']['result']
    df = pd.DataFrame(position)
    if page == 1:
        total_df = df
    else:
        total_df = pd.concat([total_df,df],axis = 0)

出现这样的错误：

{'success': False, 'msg': '您操作太频繁,请稍后再访问', 'clientIp': '121.248.50.24'}

可能是触发了网站的反爬虫机制，下面需要改进一下。

改进版本

主要加入了一个延迟，降低抓取的速度。

    if result['success']:
        position = result['content']['positionResult']['result']
        time.sleep(1)  # 获取正常的情况下延时1s请求一次
        return position
    else:
        print("您操作太频繁,请稍后再访问")
        time.sleep(10)  # 出现异常时，间隔10s后再获取
        position = getPosition(url,headers,data,page) #递归获取
        return position

下面是爬取职位信息函数，其中包括爬取失败后的递归爬取，保证数据的完整！

def getPosition(url,headers,data,page):

    data['pn'] = str(page)
    response = requests.post(url,headers = headers,data = data)
    result = response.json()
    if result['success']:
        position = result['content']['positionResult']['result']
        time.sleep(1)  # 获取正常的情况下延时1s请求一次
        return position
    else:
        print("您操作太频繁,请稍后再访问")
        time.sleep(10)  # 出现异常时，间隔10s后再获取
        position = getPosition(url,headers,data,page) #递归获取
        return position

下面是页面爬取过程，这里调用了前面的getPosition函数，最后将爬取到的职位信息合并为一个Pandas DataFrame变量，方便后面保存。

for page in range(1,11):
    position = getPosition(url,headers,data,page)
    df = pd.DataFrame(position)
    if page == 1:
        total_df = df
    else:
        total_df = pd.concat([total_df,df],axis = 0)

您操作太频繁,请稍后再访问
您操作太频繁,请稍后再访问
您操作太频繁,请稍后再访问
您操作太频繁,请稍后再访问
您操作太频繁,请稍后再访问
您操作太频繁,请稍后再访问

total_df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 142 entries, 0 to 6
Data columns (total 46 columns):
adWord                   142 non-null int64
appShow                  142 non-null int64
approve                  142 non-null int64
businessZones            86 non-null object
city                     142 non-null object
companyFullName          142 non-null object
companyId                142 non-null int64
companyLabelList         142 non-null object
companyLogo              142 non-null object
companyShortName         142 non-null object
companySize              142 non-null object
createTime               142 non-null object
deliver                  142 non-null int64
district                 141 non-null object
education                142 non-null object
explain                  0 non-null object
financeStage             142 non-null object
firstType                142 non-null object
formatCreateTime         142 non-null object
gradeDescription         0 non-null object
hitags                   14 non-null object
imState                  142 non-null object
industryField            142 non-null object
industryLables           142 non-null object
isSchoolJob              142 non-null int64
jobNature                142 non-null object
lastLogin                142 non-null int64
latitude                 142 non-null object
linestaion               50 non-null object
longitude                142 non-null object
pcShow                   142 non-null int64
plus                     0 non-null object
positionAdvantage        142 non-null object
positionId               142 non-null int64
positionLables           142 non-null object
positionName             142 non-null object
promotionScoreExplain    0 non-null object
publisherId              142 non-null int64
resumeProcessDay         142 non-null int64
resumeProcessRate        142 non-null int64
salary                   142 non-null object
score                    142 non-null int64
secondType               142 non-null object
stationname              50 non-null object
subwayline               50 non-null object
workYear                 142 non-null object
dtypes: int64(13), object(33)
memory usage: 52.1+ KB

下面是输出为csv文件。

total_df.to_csv('Python-School-Hangzhou.csv', sep = ',', header = True, index = False)

---

后面我还对爬取的数据做了分析—拉勾网Python职位分析。