1、问题描述

用requests打开拉勾网，一般情况下会得到访问太频繁的错误提示。但是实际上是不是呢？只要通过浏览器能打开的那个网页，那么爬虫一般都是可以打开的，所以这其实是一个反爬的问题，最关键就是设置好请求头headers
这里找动态页面的地址我就叙述了，主要是说如何设置请求头，关键是cookie的问题

2、思路描述

前提是找到最终包含你想要数据的动态页面地址
让我们来看看请求头headers里面有哪些信息?

headers

其他字段都比较简单，可以复制过去，但是cookie由于字符串比较长，容易出问题，因此这里主要说明如何自动获取cookie

3、cookie自动获取

cookie有session自动获取，即我们先以seession的形式打开一个静态网页，然后得到cookie，再将得到的cookie放入请求头中，访问动态页面

4、代码解析

import requests

#地址准备

#静态页面地址
static_url = 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput='
#动态页面地址
aj_url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'

#设置请求头，复制页面中的请求头即可，设置后格式
headers ={
    'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400',
}
#传输data数据，用于post动态页面
data = {
    'first': 'true',
    'pn': 1,
    'kd': 'python',
}

#建立session，我们用同一个session先后访问静态和动态页面，可以用同一个cookie
sess =requests.session()

#访问静态页面
sess.get(static_url,headers =headers)
#得到cookie
cookies = sess.cookies
#再请求动态页面
resp =sess.post(url =aj_url,headers=headers, data=data,cookies=cookies)
# resp= sess.post(url=aj_url, headers=headers, data=data, cookies=cookies, timeout=3)
print(resp.text)

贴一个爬取广东省政府采购网的代码

import requests

#地址准备

#静态页面地址
static_url = 'http://www.gdgpo.gov.cn'
#动态页面地址
aj_url = 'http://www.gdgpo.gov.cn/search.do'

#设置请求头，复制页面中的请求头即可，设置后格式
headers ={
    'Referer': 'http://www.gdgpo.gov.cn/',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400',
}
#传输data数据，用于post动态页面
data = {
    'keyWord': '空间规划',
    'pageIndex':2,
    'pageSize':10,
    "pointPageIndexId":1,
}

#建立session，我们用同一个session先后访问静态和动态页面，可以用同一个cookie
sess =requests.session()

#访问静态页面
sess.get(static_url,headers =headers)
#得到cookie
cookies = sess.cookies
#再请求动态页面
resp =sess.post(url =aj_url,headers=headers, data=data,cookies=cookies)
# resp= sess.post(url=aj_url, headers=headers, data=data, cookies=cookies, timeout=3)
with open('ss.html','w',encoding='utf-8') as ff:
    ff.write(resp.text)

5、引申——json文件的处理

上述中得到的数据是一个json格式文件，json可以直接转成dict字典，然后可以非常方便地取出数据。但是往往得到的json字符串缩进不整齐，很难看出层次关系。

散乱的json数据排列

这时候，推荐一个网站在线json检校工具，复制进去json形式的字符串，可以帮助整理缩进格式。

image.png

image.png

可以说是一个很不错的工具。