Linux之父Linus
“Talk is cheap,Show me the code.”翻译为中文是“废话少说，放码过来。”我觉得可谓信达雅。
在编程之路上，实践的重要性无可比拟。这也是很多同学感觉学了很多，但还是不会写代码的原因；也是很多有意转行的人士，自学了大半年，仍不见起色的缘故。
leoxin在知识星球发起一项活动：目标是爬取拉钩网的招聘信息以及链家的房产信息，然后对数据进行清洗和存储，并分析其数据下的价值，最后用可视化的形式表现出来。
我觉得难度适中，循序渐进，对于不同身份角色的学习人群都大有裨益。
下面我来写一写在第一阶段的一些学习操作总结和感受。
爬虫
构思/准备部分
首先打开拉钩网,我初步选择的是Java-上海
Step1
打开浏览器开发者工具，观察Network部分的内容，首先点进Doc部分，看看服务器给我们返回了哪些文本内容。
在Preview预览中，我们可以看到，大部分都是一些公共视图框架和公共JS代码，没有核心数据。
那么这时我们就应该猜测，网站可能是首先渲染一个公共框架，然后再通过Ajax发送请求去获得数据，再在页面上显示获取的数据。
doc
Step2
通过Step1的思考和猜测，大致确定了数据是异步获取的。做过一点web的应该都想得到这一点，因为即使是反爬，也要按照基本法啊！应该不会使用多么多么匪夷所思的黑科技（如果真的出现了，那是我太菜了的原因(っ °Д °;)っ）
这时点开XHR按钮，XHR全称XMLHttpRequest，有什么作用呢？Ajax通过XMLHttpRequest对象发出HTTP请求，得到服务器返回的数据。
通过预览我们可以发现，我们需要的数据都出现在positionAjax请求下返回的数据中，参见content-positionResult-result中。
那么该如何伪造请求？
点进Headers，首先发现Request Method的值是POST，确定了我们提交请求的方式。然后看看Request Headers中的字段。
发现有好多条。
Accept:application/json, text/javascript, */*; q=0.01
Accept-Encoding:gzip, deflate, br
Accept-Language:zh-CN,zh;q=0.9
Connection:keep-alive
Content-Length:23
Content-Type:application/x-www-form-urlencoded; charset=UTF-8
Cookie:XXX
Host:www.lagou.com
Origin:https://www.lagou.com
Referer:https://www.lagou.com/jobs/list_Java?px=default&city=%E4%B8%8A%E6%B5%B7
User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36
X-Anit-Forge-Code:0
X-Anit-Forge-Token:None
X-Requested-With:XMLHttpRequest
通过筛选，我们选取其中有用的几条，构建自己的请求头。（那么怎么知道哪些是有用的呢？首先筛除语言，编码之类的，这些的影响一般都是比较小的；接着在剩下的字段中进行尝试，等以后有经验了，自然能准确选取有价值的字段）
由于是POST的请求方式，那么势必会向服务器提交一些数据，可以看到表单信息:
first:true
pn:1
kd:Java
xhr
headers
实现/代码部分
Step1
在进行上述分析后，基本已经准备得差不多了。这时可以先简单构建一下我们的Proxy类。
class Proxy():
def __init__(self):
self.MAX=5 #最大嗅探次数
self.headers={
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",
"Referer":"https://www.lagou.com/jobs/list_Java?px=default&city=%E4%B8%8A%E6%B5%B7",
"X-Anit-Forge-Code":"0",
"X-Anit-Forge-Token":"None",
"X-Requested-With":"XMLHttpRequest"
}
def getPage(self,url,data):
FAILTIME=0 #访问失败次数
try:
result=requests.post(url,headers=self.headers,data=data)
result.encoding = "utf-8"
return result
except:
FAILTIME+=1
if FAILTIME==self.MAX:
print("访问错误")
return ''
上文中提到，发现Ajaxposition返回的content-positionResult-result数据,数据格式是一个数组里有15条数据，每条数据的格式是一个字典，具体如下：
adWord:9
appShow:0
approve:1
businessZones:["唐镇", "唐镇", "曹路", "曹路"]
city:"上海"
companyFullName:"招商银行股份有限公司信用卡中心"
companyId:6796
companyLabelList:["金融科技银行", "技术创新驱动", "奋斗独立改变", "一年两次调薪"]
companyLogo:"i/image2/M00/25/D7/CgoB5lodmL2AJHxrAABieRjcJjU514.png"
companyShortName:"招商银行信用卡中心"
companySize:"2000人以上"
createTime:"2018-03-09 09:14:30"
deliver:0
district:"浦东新区"
education:"本科"
explain:null
financeStage:"上市公司"
firstType:"开发/测试/运维类"
formatCreateTime:"09:14发布"
gradeDescription:null
hitags:null
imState:"today"
industryField:"移动互联网,金融"
industryLables:[]
isSchoolJob:0
jobNature:"全职"
lastLogin:1520581074000
latitude:"31.247248"
linestaion:null
longitude:"121.673868"
pcShow:0
plus:null
positionAdvantage:"五险一金,职位晋升,各类补贴"
positionId:2762378
positionLables:["项目管理", "j2ee", "架构"]
positionName:"Java技术经理"
promotionScoreExplain:null
publisherId:73936
resumeProcessDay:1
resumeProcessRate:100
salary:"30k-50k"
score:0
secondType:"管理岗"
stationname:null
subwayline:null
workYear:"5-10年"
可见返回了大量的信息，那么我们如何去获得这些数据？此时可以写一个简单的Job类：
class Job:
def __init__(self):
self.datalist=[]
def getJob(self,url,data):
p=Proxy()
result=p.getPage(url,data)
result.encoding = "utf-8"
result_dict=result.json()
try:
job_info = result_dict['content']['positionResult']['result']
for info in job_info:
print(info)
return job_info
except:
print("发生解析错误")
使用getJob方法获取的是所有的信息，这其实是不必要的，应该也有所选择，否则将给自己带来压力，对于后续步骤也将带来不便。
Step2
此时，一个简单的爬虫已经编写得差不多了，我们可以进行测试一下。
编写主函数
if __name__ == '__main__':
url="https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false&isSchoolJob=0"
job = Job()
all_page_info=[]
for x in range(1,31):
data = {
"first": "false",
"pn": x,
"kd": "Java"
}
current_page_info=job.getJob(url,data)
all_page_info.extend(current_page_info)
print("第%d页已经爬取成功"%x)
time.sleep(5)
可以看到控制台显示：
总结
到这里，一个简单的爬虫已经编写完毕了，数据以json格式返回，似乎已经大功告成。而事实是，对于为后面的数据分析做准备工作还差得远，对于爬取海量数据，下面有几点思考。
- 拉钩网对于同一ip的大量请求行为肯定会进行封禁，所以需要准备代理池。
- 为了实现高自动化，需要对一系列可能出现的异常情况进行处理，断点处理，确保程序不挂。
- 为了提高效率，加入多线程。
- 数据持久化，在持久化之前需要先进行清洗。
- ......
针对以上问题，需要进一步学习。
扫一扫，关注公众号
网友评论