php抓取网页动态数据(通过Python来编写一个拉勾网薪资调查的小爬虫(图))

　　php抓取网页动态数据(通过Python来编写一个拉勾网薪资调查的小爬虫(图))

　　本文记录了使用Python制作爬虫爬取钩网信息并将结果保存到Excel的思路和方法，并附上最终源码。有需要的可以参考一下。

　　学Python有段时间了，各种理论知识也算一二。今天进入实战练习：用Python写一个小爬虫做拉勾工资调查。

　　第一步：分析网站的请求过程

　　当我们在拉勾网查看招聘信息时，我们会搜索 Python 或 PHP 等职位信息。实际上，我们向服务器发送了相应的请求。服务器动态响应请求，通过浏览器解析我们需要的内容。呈现在我们面前。

　　可以看到，在我们发送的请求中，FormData中的kd参数代表了服务器对关键词的Python招聘信息的请求。

　　分析更复杂的页面请求和响应信息，推荐使用Fiddler，绝对是分析网站的杀手锏。但是，你可以简单地使用浏览器自带的开发者工具响应请求，比如火狐的FireBug等，只要按F12，所有请求的信息都会详细的显示在你面前。

　　通过对网站的请求和响应过程的分析可知，拉勾网的招聘信息是由XHR动态传输的。

　　我们发现POST发送了两个请求，分别是companyAjax.json和positionAjax.json，分别控制当前显示的页面和页面中收录的招聘信息。

　　可以看到，我们需要的信息收录在positionAjax.json的Content->result中，其中还收录了一些其他的参数信息，包括总页数（totalPageCount）、招聘注册总数（totalCount）和其他相关信息。

　　第二步：发送请求并获取页面

　　知道我们想要获取的信息在哪里是最重要的。知道了信息的位置后，接下来就要考虑如何通过Python模拟浏览器来获取我们需要的信息了。

　　 def read_page(url, page_num, keyword): # 模仿浏览器post需求信息，并读取返回后的页面信息 page_headers = { 'Host': 'www.lagou.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Connection': 'keep-alive' } if page_num == 1: boo = 'true' else: boo = 'false' page_data = parse.urlencode([ # 通过页面分析，发现浏览器提交的FormData包括以下参数 ('first', boo), ('pn', page_num), ('kd', keyword) ]) req = request.Request(url, headers=page_headers) page = request.urlopen(req, data=page_data.encode('utf-8')).read() page = page.decode('utf-8') return page

　　比较关键的步骤之一是如何模仿浏览器的Post方法来打包我们自己的请求。

　　请求中收录的参数包括要爬取的网页的URL，以及用于伪装的headers。urlopen中的data参数包括FormData的三个参数（first, pn, kd）

　　打包后可以像浏览器一样访问拉勾网，获取页面数据。

　　第 3 步：获取所需内容并获取数据

　　获取到页面信息后，我们就可以开始爬取数据最重要的一步：爬取数据了。

　　捕获数据的方式有很多种，比如正则表达式re，lxml的etree，json，bs4的BeautifulSoup都是python3适用的捕获数据的方法。可以根据实际情况使用其中一种，也可以多种组合使用。

　　 def read_tag(page, tag): page_json = json.loads(page) page_json = page_json['content']['result'] # 通过分析获取的json信息可知，招聘信息包含在返回的result当中，其中包含了许多其他参数 page_result = [num for num in range(15)] # 构造一个容量为15的占位list，用以构造接下来的二维数组 for i in range(15): page_result[i] = [] # 构造二维数组 for page_tag in tag: page_result[i].append(page_json[i].get(page_tag)) # 遍历参数，将它们放置在同一个list当中 page_result[i][8] = ','.join(page_result[i][8]) return page_result # 返回当前页的招聘信息

　　步骤4：将捕获的信息存储在excel中

　　获取原创数据后，为了进一步的整理和分析，我们将采集到的数据在excel中进行了结构化和组织化的存储，方便数据的可视化。

　　这里我使用了两个不同的框架，分别是旧的 xlwt.Workbook 和 xlsxwriter。

　　 def save_excel(fin_result, tag_name, file_name): book = Workbook(encoding='utf-8') tmp = book.add_sheet('sheet') times = len(fin_result)+1 for i in range(times): # i代表的是行,i+1代表的是行首信息 if i == 0: for tag_name_i in tag_name: tmp.write(i, tag_name.index(tag_name_i), tag_name_i) else: for tag_list in range(len(tag_name)): tmp.write(i, tag_list, str(fin_result[i-1][tag_list])) book.save(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)

　　第一个是xlwt。我不知道为什么。xlwt存储100多条数据后，存储不完整，excel文件也会出现“某些内容有问题，需要修复”。查了很多次，一开始还以为是数据抓取。不完整会导致存储问题。后来断点检查发现数据是完整的。后来把本地数据改过来处理，也没问题。我当时的心情是这样的：

　　我到现在都没搞清楚。知道的人希望告诉我ლ(╹ε╹ლ)

　　 def save_excel(fin_result, tag_name, file_name): # 将抓取到的招聘信息存储到excel当中 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默认存储在桌面上 tmp = book.add_worksheet() row_num = len(fin_result) for i in range(1, row_num): if i == 1: tag_pos = 'A%s' % i tmp.write_row(tag_pos, tag_name) else: con_pos = 'A%s' % i content = fin_result[i-1] # -1是因为被表格的表头所占 tmp.write_row(con_pos, content) book.close()

　　这是使用xlsxwriter存储的数据，没有问题，可以正常使用。

　　至此，一个抓取拉勾网招聘信息的小爬虫诞生了。

　　附上源代码

　　 #! -*-coding:utf-8 -*- from urllib import request, parse from bs4 import BeautifulSoup as BS import json import datetime import xlsxwriter starttime = datetime.datetime.now() url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC' # 拉钩网的招聘信息都是动态获取的，所以需要通过post来递交json信息，默认城市为北京 tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize', 'industryField', 'companyLabelList'] # 这是需要抓取的标签信息，包括公司名称，*敏*感*词*要求，薪资等等 tag_name = ['公司名称', '公司简称', '职位名称', '所需*敏*感*词*', '工资', '公司资质', '公司规模', '所属类别', '公司介绍'] def read_page(url, page_num, keyword): # 模仿浏览器post需求信息，并读取返回后的页面信息 page_headers = { 'Host': 'www.lagou.com', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Connection': 'keep-alive' } if page_num == 1: boo = 'true' else: boo = 'false' page_data = parse.urlencode([ # 通过页面分析，发现浏览器提交的FormData包括以下参数 ('first', boo), ('pn', page_num), ('kd', keyword) ]) req = request.Request(url, headers=page_headers) page = request.urlopen(req, data=page_data.encode('utf-8')).read() page = page.decode('utf-8') return page def read_tag(page, tag): page_json = json.loads(page) page_json = page_json['content']['result'] # 通过分析获取的json信息可知，招聘信息包含在返回的result当中，其中包含了许多其他参数 page_result = [num for num in range(15)] # 构造一个容量为15的list占位，用以构造接下来的二维数组 for i in range(15): page_result[i] = [] # 构造二维数组 for page_tag in tag: page_result[i].append(page_json[i].get(page_tag)) # 遍历参数，将它们放置在同一个list当中 page_result[i][8] = ','.join(page_result[i][8]) return page_result # 返回当前页的招聘信息 def read_max_page(page): # 获取当前招聘关键词的最大页数，大于30的将会被覆盖，所以最多只能抓取30页的招聘信息 page_json = json.loads(page) max_page_num = page_json['content']['totalPageCount'] if max_page_num > 30: max_page_num = 30 return max_page_num def save_excel(fin_result, tag_name, file_name): # 将抓取到的招聘信息存储到excel当中 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默认存储在桌面上 tmp = book.add_worksheet() row_num = len(fin_result) for i in range(1, row_num): if i == 1: tag_pos = 'A%s' % i tmp.write_row(tag_pos, tag_name) else: con_pos = 'A%s' % i content = fin_result[i-1] # -1是因为被表格的表头所占 tmp.write_row(con_pos, content) book.close() if __name__ == '__main__': print('**********************************即将进行抓取**********************************') keyword = input('请输入您要搜索的语言类型：') fin_result = [] # 将每页的招聘信息汇总成一个最终的招聘信息 max_page_num = read_max_page(read_page(url, 1, keyword)) for page_num in range(1, max_page_num): print('******************************正在下载第%s页内容*********************************' % page_num) page = read_page(url, page_num, keyword) page_result = read_tag(page, tag) fin_result.extend(page_result) file_name = input('抓取完成，输入文件名保存：') save_excel(fin_result, tag_name, file_name) endtime = datetime.datetime.now() time = (endtime - starttime).seconds print('总共用时：%s s' % time)

　　可以添加的功能很多，比如通过修改城市参数查看不同城市的招聘信息等，你可以自己开发。这只是为了邀请想法。欢迎交流。

　　以上就是python制作爬虫并将爬取结果保存到excel的详细内容。更多详情请关注其他相关html中文网站文章！