Python爬虫抓取拉勾网的一点心得思路(上)

拉勾网的职位信息都是通过ajax加载,那么利用chrome浏览器的开发者工具选择Network然后点选XHR,可以看到这个请求是包含要的所有职位信息


图1

该请求是post请求,来看请求参数,有个Query和Formdata,Query查询参数一个城市名另外一个固定不变不用管;
Formdata里的first是是否是第一页的意思,如果第一页则为True否则为False,可以点击下一页来验证;pn则为页码数,kd为查询职位关键词;


图2

图3

点击下一页,可以看到有另外一个sid参数,直接Ctrl+F 查找sid该参数发现并未找到,不是js加密生成,那么直接搜这个键的值再查找发现是在第一页请求返回的响应中


图4

点击搜索结果可以发现是在第一页的响应中
图5

那么至此拉勾的请求分析完成了
上代码先来测试下

class HtmlDownloader:
    def __init__(self):
        self.kd = {'kd': '爬虫'}
        self.filename = '拉勾职位_爬虫.csv'
        self.headers = {
            'Accept': 'application/json, text/javascript, */*; q=0.01',
            'Accept-Encoding': 'gzip, deflate, br',
            'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
            'Connection': 'keep-alive',
            'Cookie': '_ga=GA1.2.233679007.1573439286; user_trace_token=20191111102804-e3c3fe93-042a-11ea-a62c-5254005c3644; LGUID=20191111102804-e3c4028b-042a-11ea-a62c-5254005c3644; gate_login_token=73e156ba52977761089f3d37583de42e8dcd1ea2506698c2; LG_HAS_LOGIN=1; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; privacyPolicyPopup=false; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%2216e584b77cf4b3-014da43e02f0f4-7711a3e-1049088-16e584b77d12c1%22%2C%22%24device_id%22%3A%2216e584b77cf4b3-014da43e02f0f4-7711a3e-1049088-16e584b77d12c1%22%7D; hasDeliver=138; JSESSIONID=ABAAABAAAGGABCB7680CBFEC7E039473761CB87660C6AEC; WEBTJ-ID=20191208193410-16ee549d1f9235-0af59637342299-2393f61-1049088-16ee549d1fa53b; _putrc=83E18668C00BF1E9; _gid=GA1.2.1239443746.1575804851; login=true; unick=%E9%BB%84%E5%AD%90%E8%89%AF; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1575209025,1575596847,1575623707,1575804851; index_location_city=%E5%B9%BF%E5%B7%9E; X_MIDDLE_TOKEN=35ce96b8be0ed94c0c4b6f6f0aa959c6; _gat=1; LGSID=20191208214605-14c59413-19c1-11ea-abcb-525400f775ce; PRE_UTM=; PRE_HOST=; PRE_SITE=https%3A%2F%2Fwww.lagou.com%2Fjobs%2Flist_%25E7%2588%25AC%25E8%2599%25AB%2Fp-city_213%3F%26cl%3Dfalse%26fromSearch%3Dtrue; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2Fjobs%2Flist_%25E7%2588%25AC%25E8%2599%25AB%2Fp-city_213%3F%26cl%3Dfalse%26fromSearch%3Dtrue%26labelWords%3D%26suginput%3D; LG_LOGIN_USER_ID=5b475f3bae04f1c78d6e85d9eba4a64b8214963fe963fcbe; TG-TRACK-CODE=index_search; X_HTTP_TOKEN=280ce513cf0023da718218575117ddab9d2d21bc93; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1575812837; LGRID=20191208214657-33873159-19c1-11ea-abcb-525400f775ce; SEARCH_ID=a8cdcc911b3343deb4204374bf7a3ace',
            'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
            'Host': 'www.lagou.com',
            'Origin': 'https: // www.lagou.com',
            'Referer': 'https://www.lagou.com/jobs/list_%E7%88%AC%E8%99%AB?labelWords=&fromSearch=true&suginput='
        }
        self.headers.update(get_ua())

    def get_index(self, url, **kwargs):
        kwargs.update(self.kd)
        response = requests.post(url=url, headers=self.headers, data=kwargs, timeout=None)
        if response.status_code == 200:
            print(response.json())
        else:
            pass

    def parse(self, response):
        results = response['content']['positionResult']['result']
        for result in results:
            positionId = result['positionId']
            companyId = result['companyId']
            companyFullName = result['companyFullName']
            companyLabelList = result['companyLabelList']
            companySize = result['companySize']
            createTime = result['createTime']
            district = result['district']
            education = result['education']
            financeStage = result['financeStage']  # 融资情况
            industryField = result['industryField']  # 公司业务性质,例如广告营销
            positionAdvantage = result['positionAdvantage']  # 福利
            positionName = result['positionName']
            salary = result['salary']
            workYear = result['workYear']
            yield {
                '职位id': positionId,
                '公司id': companyId,
                '职位名称': positionName,
                '薪水': salary,
                '工作年限': workYear,
                '公司全名': companyFullName,
                '公司标签': companyLabelList,
                '公司规模': companySize,
                '职位创建时间': createTime,
                '所在城市区域': district,
                '学历要求': education,
                '融资情况': financeStage,
                '公司业务性质': industryField,
                '福利': positionAdvantage
            }

    def save(self, data):
        with open(self.filename, 'a', encoding='utf_8_sig', newline='') as f:
            header = ['职位id', '公司id', '职位名称', '薪水',
                      '工作年限', '公司全名', '公司标签', '公司规模',
                      '职位创建时间', '所在城市区域', '学历要求', '融资情况', '公司业务性质', '福利'
                      ]
            writer = csv.DictWriter(f, fieldnames=header)
            writer.writerow(data)
    def start(self, url):
            print(f'正在请求第一页数据')
            response = self.get_index(url, first=True, pn=1)
            if response:
                sid = response['content']['showId']
                for item in self.parse(response):
                    self.save(item)
                print('第一页数据写入完毕')
                return sid

    def run(self, url):
        self.create_file()
        sid = self.start(url)
        for i in range(2, 4):
            print(f'开始请求第{i}页数据')
            response = self.get_index(url, first=False, pn=i, sid=sid)
            if response:
                for item in self.parse(response):
                    self.save(item)
                print(f'存入第{i}页数据完毕')


if __name__ == '__main__':
    page_url = 'https://www.lagou.com/jobs/positionAjax.json?city=%E5%B9%BF%E5%B7%9E&needAddtionalResult=false'
    html_downloader = HtmlDownloader()
    # html_downloader.get_index(page_url, first=True, pn=1)
    html_downloader.run(page_url)

注意 拉勾网的headers要加上后面的host,referer等字段,尽量全一点,我在测试发现只使用代码中cookie键以上字段直接返回false,message请稍后再试,加上后面的字段就可以拿到数据了;代码还需要改进,可以根据查询关键词和城市名添加扩展,本文只是说说拉勾基本的获取数据的小思路,望各位大佬轻喷(✪ω✪)

更新 最后说下采集过程中返回操作太频繁的解决办法,也是在搜索的过程中发现的,拉勾会根据cookies判定是否为爬虫,没刷新一次cookies都会变,所以要保持登录状态,方案就是使用requests的session类。
上一段伪代码

    def get_index(self, url, **kwargs):
        session = requests.Session()
        session.get(self.index_url, headers=self.headers)
        cookies = session.cookies 
        time.sleep(random.randint(3, 5))
        response = requests.post(url=url, headers=self.headers, data=kwargs, cookies=cookies)
        data = response.json()
        if response.status_code == 200 and 'content' in data.keys():
            return data
        else:
            print(data)
            # print('访问频繁稍后再试')
            return

上面代码中的self.index_url是搜索关键词之后的请求url

image.png

以上抓取都是需要先登录你自己的拉勾,然后抓包的

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,919评论 6 502
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,567评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,316评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,294评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,318评论 6 390
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,245评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,120评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,964评论 0 275
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,376评论 1 313
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,592评论 2 333
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,764评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,460评论 5 344
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,070评论 3 327
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,697评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,846评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,819评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,665评论 2 354