由于需要，本人需要对大街网招聘信息进行分析，故写了个爬虫进行爬取。这里我将记录一下，本人爬取大街网的思路。
附：爬取得数据仅供自己分析所用，并未用作其它用途。
附：本篇适合有一定 爬虫基础 crawler 观看，有什么没搞明白的，欢迎大家留言，或者私信博主。
首先，打开目标网址 www.dajie.com ，在职位搜索中 输入所需职业或关键信息 （我这演示的是 程序员），然后可得到新的链接地址 https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job
我们可以看到 ，数据的排序方式有2种，一种是 默认 ，一种是 时间 ，当你点击的时候你可以看到 数据的排序方式发生了变化，但是网页链接却没有变化，而且点击 下一页 的时候页面的链接也没有发生变化，其原因是 当你对其操作时，它通过
JS获取ajax数据进行变换填充，所以如果你要获取所需数据，你只能通过获取其ajax数据。（当然还有模拟JS渲染，得到页面，我没有尝试过，这里也不做多述）
那么如何获取到其数据呢？
当你单击 下一页 等操作时，通过抓包（XHR中）可以查看到ajax数据的来源，查看的时候可以看到其返回的是200（所需的数据），但当你在新的页面打开时，却发现返回的是299，不是你想要的结果。如一下这个链接就是对其进行时间排序所得
的ajax(https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)
但是如果你是单独打开它的时候，它返回的是一个错误的页面，这应该是 大街网 反爬虫的一种手段。
找到了返回的ajax地址链接，我们该如何正确的打开这个链接呢？
当我们打开这个 链接时（https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job）会发现服务器端回返回一个 Cookie
因此 当你访问 (https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)
链接时，你必须要传入服务器返回的cookie 才能够获取到正确的结果。
下面附上本人写的代码，仅供参考。
其中需要注意的是：这些代码仅提供一个思路，里面的很多变量、类都是我项目里面的。
这里统一做一下解释
#from myproject.dajie import Jobs, IpAgentPool 指引入 Ip 池，Jobs所需要爬取得 关键字集合.(下面演示时用不到的)
#from myproject import agentPool 引入 Agent池， 用作伪装浏览器使用
1 from myproject.dajie import Jobs, IpAgentPool 2 from myproject import agentPool 3 import http.cookiejar 4 import urllib.request 5 import urllib.parse 6 import random 7 import re 8 #import pymssql 9 10 class dj(): 11 12 def __init__(self): 13 # -----BASEURL 为目标网站的URL 14 # -----ToSearchJob 为需要搜寻的工作 15 # -----Agent 为Agent池，用于伪装浏览器 16 # -----opener 为自己建造的一个opener，配合cookiejar可用于存储cookies 17 def Myopener(self): 18 cookie = http.cookiejar.CookieJar() 19 return urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie)) 20 21 self.BASEURL = "https://www.dajie.com/" 22 # self.ToSearchJob=Jobs.TheJobNeedToSearch 23 self.AgentPool = agentPool.userAgent 24 self.IpPool = IpAgentPool.ipPool 25 26 self.opener = Myopener(self=self) 27 28 pass 29 30 def getContext(self): 31 url="https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job" 32 33 header= 34 { 35 "User-Agent":agentPool.userAgent[int(random.random()*4)], 36 "Referer":"https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job" 37 } 38 39 head=[] 40 41 for key,value in header.items(): 42 head.append((key,value)) 43 44 self.opener.addheaders=head 45 46 #session_cookie用于保存服务器返回的cookie，并将其保存 47 # 48 #其实只需要保存 session_cookie["SO_COOKIE_V2"] 即可，其余的是多余的。服务器在进行验证的时候，只会验证 SO_COOKIE_V2 49 # 50 session_cookie={} 51 session=self.opener.open("https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job") 52 print((session.info())) 53 54 session_cookie["DJ_RF"]= re.findall(r"DJ_RF=.+?;",str(session.info()))[0].split("=")[1] 55 session_cookie["DJ_EU"]=re.findall(r"DJ_EU=.+?;",str(session.info()))[0].split("=")[1] 56 session_cookie["DJ_UVID"] = re.findall(r"DJ_UVID=.+?;", str(session.info()))[0].split("=")[1] 57 session_cookie["SO_COOKIE_V2"] = re.findall(r"SO_COOKIE_V2=.+?;", str(session.info()))[0].split("=")[1] 58 59 #data 包含的是所需要传入的 cookie 60 data= 61 { 62 "DJ_RF":session_cookie["DJ_RF"].strip(";"), 63 "DJ_EU":session_cookie["DJ_EU"].strip(";"), 64 "DJ_UVID":session_cookie["DJ_UVID"].strip(";"), 65 "SO_COOKIE_V2":session_cookie["SO_COOKIE_V2"].strip(";"), 66 "__login_tips":1, 67 } 68 #将 数据解析为传入数据的格式 69 _data=urllib.parse.urlencode(data,"utf-8") 70 print("______________") 71 print(_data) 72 # 73 #_url 指的是ajax的链接地址 74 _url="https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1" 75 req=self.opener.open(_url,data=_data.encode("utf-8")) 76 77 print("-----------------") 78 print(req.read().decode("utf-8")) 79 80 #print(req.read().decode("utf-8")) 81 82 83 84 if __name__=="__main__": 85 _dj=dj() 86 _dj.getContext()
最后附上运行结果的截图
