python-scrapy爬虫框架爬取拉勾网招聘信息

本文实例为爬取拉勾网上的python相关的职位信息, 这些信息在职位详情页上, 如职位名, 薪资, 公司名等等.

分析思路

分析查询结果页

在拉勾网搜索框中搜索'python'关键字, 在浏览器地址栏可以看到搜索结果页的url为: 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=', 尝试将?后的参数删除, 发现访问结果相同.

打开Chrome网页调试工具(F12), 分析每条搜索结果(即每个职位)在html中所处的元素定位, 发现每条结果都在<ul class="item_con_list">下的li标签中.

因为我们需要每个职位的具体信息, 因此需要获取到每条搜索结果的详情url, 即点击搜索结果后进入的详情页的url.

继续查看li标签中的元素, 找到想要的详情url, 找到后的url为: href="https://www.lagou.com/jobs/6945237.html?show=b6e8e778fcae4c2aa2111ba58f9ebfa0"

查看其它搜索结果的详情url, 发现其格式都为: href="https://www.lagou.com/jobs/{某个id}.html?show={show_id}"

对于第一个ID, 每条结果的id都不一样, 猜想其为标记每个职位的唯一id, 对于show_id, 每条结果的id都是一样的, 尝试删除show参数, 发现一样可以访问到具体结果详情页

那么我们直接通过xpath提取到每个职位的第一个ID即可, 但是调试工具的elements标签下的html是最终网页展示的html, 并不一定就是我们访问 https://www.lagou.com/jobs/list_python 返回的response的html, 因此点到Network标签, 重新刷新一下页面, 找到 https://www.lagou.com/jobs/list_python 对应的请求, 查看其对应的response, 搜索 'position_link'(即前面我们在elements中找到的每条搜索结果的详情url), 发现确实返回了一个网址, 但是其重要的两个ID并不是直接放回的, 而是通过js生成的, 说明我们想要的具体数据并不是这个这个请求返回的.

那么我们就需要找到具体是那个请求会返回搜索结果的信息, 一般这种情况首先考虑是不是通过ajax获取的数据, 筛选类型为XHR(ajax)的请求, 可以逐个点开查看response, 发现 positionAjax.json 返回的数据中就存在我们想要的每条搜索结果的信息. 说明确实是通过ajax获取的数据, 其实点击下一页, 我们也可以发现地址栏url地址并没有发生变化, 只是局部刷新了搜索结果的数据, 也说明了搜索结果是通过ajax返回的.

分析上面ajax的response, 查看其中是否有我们想要的职位ID, 在preview中搜索之前在elements中找到的某个职位的url的两个ID, 确实两个ID都存在response中, 分析发现第一个ID即为positionId, 第二个即为showId, 我们还可以发现response中返回了当前的页码数pageNo

因此我们只需要访问上面ajax对应的url: https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false 就可以拿到我们想要的ID, 然后填入详情url模板: https://www.lagou.com/jobs/{position_id}.html?show={show_id}中即可访问详情页了.

但是当我们直接访问 https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false 时 ,返回的结果却是:  {"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"139.226.66.44","state":2402}

经过百度查询后发现原来直接访问上述地址是不行的, 这也是拉钩的一个反爬策略, 需要我们带上之前访问查询结果页(https://www.lagou.com/jobs/list_python?)的cookie才行, 因为我们这里使用的是scrapy框架, 该框架是能够自带上次请求的cookie来访问下一个请求的, 所以我们这里不需要手动去添加cookie信息, 只需要首先访问一下查询结果页就可以了. 即start_url = https://www.lagou.com/jobs/list_python

此外发现这个ajax请求是通过POST方式发送的, 因此还需要分析它提交的form数据, 在第一页中有三条数据信息, first为true, pn为1 kd为python , 第二页中first为false, pn为2, kd同样为python, 且多了一个sid

分析这四个参数, 第一个first为表示是否是第一页, 第二个pn为表示当前页码数, 第三个kd为表示搜索的关键字, 第四个sid经过和上面showId对比发现其值就为showId

分析职位详情页

前面分析完后就可以拼接出职位详情页url了, 点开详情页, 同样的思路分析我们想要的数据是不是就在详情页的url中, 这里想要职位名称, 工资, 地点, 经验, 关键字, 公司信息等

在network中查找对应的response, 发现数据确实就存在response中, 因此直接通过xpath就可以提取想要的数据了

编写爬虫代码

具体代码在github:

这里只放出关键代码

创建scrapy项目

scrapy startproject LaGou

创建爬虫

scrapy genspider lagou www.lagou.com

编写items.py, 设置要想爬取的字段

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class LagouItem(scrapy.Item):
    # define the fields for your item here like:
    job_url = scrapy.Field()
    job_name = scrapy.Field()
    salary = scrapy.Field()
    city = scrapy.Field()
    area = scrapy.Field()
    experience = scrapy.Field()
    education = scrapy.Field()
    labels = scrapy.Field()
    publish_date = scrapy.Field()
    company = scrapy.Field()
    company_feature = scrapy.Field()
    company_public = scrapy.Field()
    company_size= scrapy.Field()

编写爬虫代码 lagou.py

# -*- coding: utf-8 -*-
import scrapy
from LaGou.items import LagouItem
import json
from pprint import pprint
import time

class LagouSpider(scrapy.Spider):
    name = 'lagou'
    allowed_domains = ['www.lagou.com']
    start_urls = ['https://www.lagou.com/jobs/list_python?']

    def __init__(self):
        # 设置头信息, 若不设置的话, 在请求第二页时即被拉勾网认为是爬虫而不能爬取数据
        self.headers = {
            "Accept": "application/json, text/javascript, */*; q=0.01",
            "Connection": "keep-alive",
            "Host": "www.lagou.com",
            "Referer": 'https://www.lagou.com/jobs/list_Python?',
            "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
            "referer": "https://www.lagou.com/jobs/list_python?"
        }
        self.sid = ''
        self.job_url_temp = 'https://www.lagou.com/jobs/{}.html?show={}'
        # 清空文件
        with open('jobs.json', 'w') as f:
            f.truncate()

    def parse(self, response):
        """
        解析起始页
        """
        # response为GET请求的起始页, 自动获取cookie
        # 提交POST带上前面返回的cookies, 访问数据结果第一页
        yield scrapy.FormRequest(
            'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false',
            callback=self.parse_list,
            formdata={"first": "false",
                      "pn": "",
                      "kd": "python",
                      },
            headers=self.headers
        )
    def parse_list(self, response):
        """
        解析结果列表页的json数据
        """
        # 获取返回的json,转为字典
        res_dict = json.loads(response.text)
        # 判断返回是否成功
        if not res_dict.get('success'):
            print(res_dict.get('msg', '返回异常'))
        else:
            # 获取当前页数
            page_num = res_dict['content']['pageNo']
            print('正在爬取第{}页'.format(page_num))
            # 获取sid
            if not self.sid:
                self.sid = res_dict['content']['showId']
            # 获取响应中的职位url字典
            part_url_dict = res_dict['content']['hrInfoMap']
            # 遍历职位字典
            for key in part_url_dict:
                # 初始化保存职位的item
                item = LagouItem()
                # 拼接完整职位url
                item['job_url'] = self.job_url_temp.format(key, self.sid)
                # 请求职位详情页
                yield scrapy.Request(
                    item['job_url'],
                    callback=self.parse_detail,
                    headers=self.headers,
                    meta={'item': item}
                )

            # 获取下一页
            if page_num < 30:
                # time.sleep(2)
                yield scrapy.FormRequest(
                    'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false',
                    callback=self.parse_list,
                    formdata={"first": "false",
                              "pn": str(page_num+1),
                              "kd": "python",
                              "sid": self.sid
                             },
                    headers=self.headers
                )

    def parse_detail(self, response):
        """
        解析职位详情页
        """
        # 接收item
        item = response.meta['item']
        # 解析数据
        # 获取职位头div
        job_div = response.xpath('//div[@class="position-content-l"]')
        if job_div:
            item['job_name'] = job_div.xpath('./div/h1/text()').extract_first()
            item['salary'] = job_div.xpath('./dd/h3/span[1]/text()').extract_first().strip()
            item['city'] = job_div.xpath('./dd/h3/span[2]/text()').extract_first().strip('/').strip()
            item['area'] = response.xpath('//div[@class="work_addr"]/a[2]/text()').extract_first()
            item['experience'] = job_div.xpath('./dd/h3/span[3]/text()').extract_first().strip('/').strip()
            item['education'] = job_div.xpath('./dd/h3/span[4]/text()').extract_first().strip('/').strip()
            item['labels'] = response.xpath('//ul[@class="position-label clearfix"]/li/text()').extract()
            item['publish_date'] = response.xpath('//p[@class="publish_time"]/text()').extract_first()
            item['publish_date'] = item['publish_date'].split('&')[0]
            # 获取公司dl
            company_div = response.xpath('//dl[@class="job_company"]')
            item['company'] = company_div.xpath('./dt/a/img/@alt').extract_first()
            item['company_feature'] = company_div.xpath('./dd//li[1]/h4[@class="c_feature_name"]/text()').extract_first()
            item['company_feature'] = item['company_feature'].split(',')
            item['company_public'] = company_div.xpath('./dd//li[2]/h4[@class="c_feature_name"]/text()').extract_first()
            item['company_size'] = company_div.xpath('./dd//li[4]/h4[@class="c_feature_name"]/text()').extract_first()
            yield item

编写middlewares.py, 自定义downloadermiddleware, 用来每次发送请求前, 随机设置user-agent, 这里使用了第三方库 fake_useragent, 能够随机提供user-agent, 使用前先安装: pip install fake_useragent

from fake_useragent import UserAgent
import random

class RandomUserAgentDM:
    """
    随机获取userAgent
    """
    def __init__(self):
        self.user_agent = UserAgent()

    def process_request(self, request, spider):
        request.headers['User-Agent'] = self.user_agent.random

编写pipelines.py, 将数据存为json文件

import json

class LagouPipeline:
    def process_item(self, item, spider):
        with open('jobs.json', 'a', encoding='utf-8') as f:
            item_json = json.dumps(dict(item), ensure_ascii=False, indent=2)
            f.write(item_json)
            f.write('\n')

编写settings.py

# 设置日志显示
LOG_LEVEL = 'WARNING'

# 设置ROBOTSTXT协议, 若为true则不能爬取数据
ROBOTSTXT_OBEY = False

# 设置下载器延迟, 反爬虫的一种策略
DOWNLOAD_DELAY = 0.25

# 开启DOWNLOADER_MIDDLEWARES
DOWNLOADER_MIDDLEWARES = {
  # 'LaGou.middlewares.LagouDownloaderMiddleware': 543,
    'LaGou.middlewares.RandomUserAgentDM' :100,
}

# 开启ITEM_PIPELINES
ITEM_PIPELINES = {
  'LaGou.pipelines.LagouPipeline': 300,
}

启动爬虫

scrapy crawl lagou

发现依然只能5 6页, 说明拉勾网的反爬确实做得比较好, 还可以继续通过使用代理来进行反反爬, 这里就不再演示了,

查看爬取结果