要求ジョブをクロールプルフックウェブとPythonのクローラ（III）

request.Request类

あなたが要求時（増加リクエストヘッダの理由はそれではない場合は、リクエストヘッダ、そして我々が作ら登る、それがに限定することができる）リクエストヘッダを追加したい場合は、次のような、実装するrequest.Requestクラスを使用する必要があります。ユーザエージェントを追加するには、

URL = ' https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput= ' 
ヘッダ = {
      ' のUser-Agent '：" Mozillaの/ 5.0（Windows NTの10.0; Win64の、x64の、RV：73.0）ヤモリ/ 20100101 Firefoxの/ 73.0 ' 
} 

REQ = request.Request（URL、ヘッダー= ヘッダ）
RESP = request.urlopen（REQ）
 プリント（resp.read（））

あなたはすべてを登ることができるように、このサイトの情報をテイクダウンする必要があります。

プルフックネットアンチ爬虫類は、我々が開いているページに今ある、非常によく設計されました：

私達はちょうどあまりにも仕事を持っていない情報を、取得するこのページを登る必要があり、これらのジョブはまた、JSPを持って、フォームはこのページに呼び出すことによって表示されていました

私たちは、仕事のウェブサイトを取得する必要があります

POST要求方法。

url='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
headers = {
     'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0'
}

data ={
     'first':'true',
     'pn':1,
     'kd':'python'
}
req=request.Request(url,headers=headers,data=data,method='POST')
resp=request.urlopen(req)
print(resp.read())

结果为：

报错得原因是data也需要urlencode来传，同时也要是bytes得形式（encode('utf-8')）

还需要对请求头再次进行伪装，此时得请求头为：

headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Referer': 'https://www.lagou.com/jobs/list_%E8%BF%90%E7%BB%B4?city=%E6%88%90%E9%83%BD&cl=false&fromSearch=true&labelWords=&suginput=',
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}

所以请求头就是在网站里右键，点击查看元素，然后选择网络，选择User-Agent和Referer里面得网址

url='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'

headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Referer': 'https://www.lagou.com/jobs/list_%E8%BF%90%E7%BB%B4?city=%E6%88%90%E9%83%BD&cl=false&fromSearch=true&labelWords=&suginput=',
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}

data ={ 'first':'true', 'pn':1, 'kd':'python' } 
req=request.Request(url,headers=headers,data=parse.urlencode(data).encode('utf-8'),method='POST') 
resp=request.urlopen(req) 

print(resp.read().decode('utf-8'))

这时会出现“您的操作太频繁，请稍后重试”的提示，是因为网站已经发现了有人正在爬取而进行的提示。

我们在代码中添加与post和相关的cookie来请求

例如：爬取成都与运维相关的工作

import requests
import time
import json


def main():
    url_start = "https://www.lagou.com/jobs/list_运维?city=%E6%88%90%E9%83%BD&cl=false&fromSearch=true&labelWords=&suginput="
    url_parse = "https://www.lagou.com/jobs/positionAjax.json?city=成都&needAddtionalResult=false"
    headers = {
        'Accept': 'application/json, text/javascript, */*; q=0.01',
        'Referer': 'https://www.lagou.com/jobs/list_%E8%BF%90%E7%BB%B4?city=%E6%88%90%E9%83%BD&cl=false&fromSearch=true&labelWords=&suginput=',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
    }
    for x in range(1, 5):
        data = {
            'first': 'true',
            'pn': str(x),
            'kd': '运维'
                }
        s = requests.Session()
        s.get(url_start, headers=headers, timeout=3)  # 请求首页获取cookies
        cookie = s.cookies  # 为此次获取的cookies
        response = s.post(url_parse, data=data, headers=headers, cookies=cookie, timeout=3)  # 获取此次文本
        time.sleep(5)
        response.encoding = response.apparent_encoding
        text = json.loads(response.text)
        info = text["content"]["positionResult"]["result"]
        for i in info:
            print(i["companyFullName"])
            companyFullName = i["companyFullName"]
            print(i["positionName"])
            positionName = i["positionName"]
            print(i["salary"])
            salary = i["salary"]
            print(i["companySize"])
            companySize = i["companySize"]
            print(i["skillLables"])
            skillLables = i["skillLables"]
            print(i["createTime"])
            createTime = i["createTime"]
            print(i["district"])
            district = i["district"]
            print(i["stationname"])
            stationname = i["stationname"]

if __name__ == '__main__':
 main()

要求ジョブをクロールプルフックウェブとPythonのクローラ（III）

おすすめ