python爬虫之利用Selenium+Requests爬取拉勾网_Python

一、前言

利用selenium+requests访问页面爬取拉勾网招聘信息

二、分析url

观察页面可知，页面数据属于动态加载所以现在我们通过抓包工具，获取数据包

python爬虫之利用Selenium+Requests爬取拉勾网

观察其url和参数

				?

									url="https://www.lagou.com/jobs/positionajax.json?px=default&needaddtionalresult=false"

									参数：

									city=%e5%8c%97%e4%ba%ac  ==》城市

									first=true  ==》无用

									pn=1  ==》页数

									kd=%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90  ==》商品关键词

所以我们要想实现全站爬取，需要有city和页数

三、获取所有城市和页数

我们打开拉勾网，观察后发现，他的数据并不是完全展示的，比如说在城市筛选选择全国仅仅只显示30页但总页数是远远大于30页的；我又选择北京发现是30页又选择北京下的海淀区又是30页，可能我们无法把数据全部的爬取，但我们可以尽可能的将数据多的爬取

python爬虫之利用Selenium+Requests爬取拉勾网

我们为了获取全站数据，必然离不开的有两个参数一个是城市一个是页数，所以我们利用selenium自动化去获取所有城市和对应页数

				?

									def city_page(self):

									    city_page={}

									    url="https://www.lagou.com/jobs/allcity.html?keyword=%s&px=default&companynum=0&iscompanyselected=false&labelwords="%(self.keyword)

									    self.bro.get(url=url)

									    sleep(30)

									    print("开始获取城市及其最大页数")

									    if "验证系统" in self.bro.page_source:

									        sleep(40)

									    html = etree.html(self.bro.page_source)

									    city_urls = html.xpath('//table[@class="word_list"]//li/input/@value')

									    for city_url in city_urls:

									        try:

									            self.bro.get(city_url)

									            if "验证系统" in self.bro.page_source:

									                sleep(40)

									            city=self.bro.find_element_by_xpath('//a[@class="current_city current"]').text

									            page=self.bro.find_element_by_xpath('//span[@class="span totalnum"]').text

									            city_page[city]=page

									            sleep(0.5)

									        except:

									            pass

									    self.bro.quit()

									    data = json.dumps(city_page)

									    with open("city_page.json", 'w', encoding="utf-8")as f:

									        f.write(data)

									    return city_page

四、生成params参数

我们有了每个城市对应的最大页数，就可以生成访问页面所需的参数

				?

									def params_list(self):

									    with open("city_page.json", "r")as f:

									        data = json.loads(f.read())

									    params_list = []

									    for a, b in zip(data.keys(), data.values()):

									        for i in range(1, int(b) + 1):

									            params = {

									                'city': a,

									                'pn': i,

									                'kd': self.keyword

									            }

									            params_list.append(params)

									    return params_list

五、获取数据

最后我们可以通过添加请求头和使用params url来访问页面获取数据

				?

									def parse_data(self,params):

									    url = "https://www.lagou.com/jobs/positionajax.json?needaddtionalresult=false"

									    header={

									        'referer': 'https://www.lagou.com/jobs/list_%e6%95%b0%e6%8d%ae%e5%88%86%e6%9e%90?labelwords=&fromsearch=true&suginput=',

									        'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/89.0.4389.114 safari/537.36',

									        'cookie':''

									    }

									    try:

									        text = requests.get(url=url, headers=header, params=params).text

									        if "频繁" in text:

									            print("操作频繁，已被发现 当前为第%d个params"%(i))

									        data=json.loads(text)

									        result=data["content"]["positionresult"]["result"]

									        for res in result:

									            with open(".//lagou1.csv", "a",encoding="utf-8") as f:

									                writer = csv.dictwriter(f, res.keys())

									                writer.writerow(res)

									        sleep(1)

									    except exception as e:

									        print(e)

									        pass