#今日目标 **拉勾网python开发要求爬虫** 今天要爬取的是北京python开发的薪资水平，招聘要求，福利待遇以及公司的地理位置。 通过实践发现除了必须携带headers之外，拉勾网对ip访问频率也是有限制的。一开始会提示 '访问过于频繁'，继续访问则会将ip拉入黑名单。不过一段时间之后会自动从黑名单中移除。 针对这个策略，我们可以对请求频率进行限制，这个弊端就是影响爬虫效率。其次我们还可以通过代理ip来进行爬虫。网上可以找到免费的代理ip，但大都不太稳定。付费的价格又不太实惠。 具体就看大家如何选择了。 **思路** 通过分析请求我们发现每页返回15条数据，totalCount又告诉了我们该职位信息的总条数。 向上取整就可以获取到总页数。然后将所得数据保存到csv文件中。这样我们就获得了数据分析的数据源！ post请求的Form Data传了三个参数 first ：是否首页(并没有什么用) pn：页码 kd：搜索关键字 代码实现 ``` # 获取请求结果 # kind 搜索关键字 # page 页码 默认是1 def get_json(kind, page=1,): # post请求参数 param = { 'first': 'true', 'pn': page, 'kd': kind } header = { 'Host': 'www.lagou.com', 'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=', 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36' } # 设置代理 proxies = [ {'http': '140.143.96.216:80', 'https': '140.143.96.216:80'}, {'http': '119.27.177.169:80', 'https': '119.27.177.169:80'}, {'http': '221.7.255.168:8080', 'https': '221.7.255.168:8080'} ] # 请求的url url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false' # 使用代理访问 # response = requests.post(url, headers=header, data=param, proxies=random.choices(proxies)) response = requests.post(url, headers=header, data=param, proxies=proxies) response.encoding = 'utf-8' if response.status_code == 200: response = response.json() # 请求响应中的positionResult 包括查询总数 以及该页的招聘信息(公司名、地址、薪资、福利待遇等...) return response['content']['positionResult'] return None ``` 接下来我们只需要每次翻页之后调用 get_json 获得请求的结果 再遍历取出需要的招聘信息即可。 ``` if __name__ == '__main__': # 默认先查询第一页的数据 kind = 'python' # 请求一次 获取总条数 position_result = get_json(kind=kind) # 总条数 total = position_result['totalCount'] print('{}开发职位，招聘信息总共{}条.....'.format(kind, total)) # 每页15条 向上取整 算出总页数 page_total = math.ceil(total/15) # 所有查询结果 search_job_result = [] #for i in range(1, total + 1) # 为了节约效率 只爬去前100页的数据 for i in range(1, 100): position_result = get_json(kind=kind, page= i) # 每次抓取完成后,暂停一会,防止被服务器拉黑 time.sleep(15) # 当前页的招聘信息 page_python_job = [] for j in position_result['result']: python_job = [] # 公司全名 python_job.append(j['companyFullName']) # 公司简称 python_job.append(j['companyShortName']) # 公司规模 python_job.append(j['companySize']) # 融资 python_job.append(j['financeStage']) # 所属区域 python_job.append(j['district']) # 职称 python_job.append(j['positionName']) # 要求工作年限 python_job.append(j['workYear']) # 招聘学历 python_job.append(j['education']) # 薪资范围 python_job.append(j['salary']) # 福利待遇 python_job.append(j['positionAdvantage']) page_python_job.append(python_job) # 放入所有的列表中 search_job_result += page_python_job print('第{}页数据爬取完毕, 目前职位总数:{}'.format(i, len(search_job_result))) # 每次抓取完成后,暂停一会,防止被服务器拉黑 time.sleep(15) ``` ok！数据我们已经获取到了，最后一步我们需要将数据保存下来。 ``` # 将总数据转化为data frame再输出 df = pd.DataFrame(data=search_job_result, columns=['公司全名', '公司简称', '公司规模', '融资阶段', '区域', '职位名称', '工作经验', '学历要求', '工资', '职位福利']) df.to_csv('lagou.csv', index=False, encoding='utf-8_sig') ``` 运行后结果如下：
