Python爬蟲實戰(zhàn)演練之采集拉鉤網(wǎng)招聘信息數(shù)據(jù)

更新時間：2021年10月21日 11:21:19 作者：松鼠愛吃餅干

讀萬卷書不如行萬里路，只學書上的理論是遠遠不夠的，只有在實戰(zhàn)中才能獲得能力的提升，本篇文章手把手帶你用Python采集拉鉤網(wǎng)招聘信息數(shù)據(jù),大家可以在過程中查缺補漏，提升水平

本文要點：

爬蟲的基本流程
requests模塊的使用
保存csv
可視化分析展示

環(huán)境介紹

python 3.8
pycharm 2021專業(yè)版激活碼
Jupyter Notebook

pycharm 是編輯器 >> 用來寫代碼的 (更方便寫代碼, 寫代碼更加舒適)
python 是解釋器 >>> 運行解釋python代碼的

本次目標

爬蟲塊使用

內(nèi)置模塊:

import pprint >>> 格式化輸入模塊
import csv >>> 保存csv文件
import re >>> re 正則表達式
import time >>> 時間模塊

第三方模塊:

import requests >>> 數(shù)據(jù)請求模塊 pip install requests

win + R 輸入cmd，回車輸入安裝命令pip install 模塊名。

如果出現(xiàn)爆紅，可能是因為，網(wǎng)絡連接超時，切換國內(nèi)鏡像源

代碼實現(xiàn)步驟: (爬蟲代碼基本步驟)

發(fā)送請求
獲取數(shù)據(jù)
解析數(shù)據(jù)
保存數(shù)據(jù)

開始代碼

導入模塊

import requests  # 數(shù)據(jù)請求模塊 第三方模塊 pip install requests
import pprint  # 格式化輸出模塊
import csv  # csv保存數(shù)據(jù)
import time

發(fā)送請求

url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
# headers 請求頭 用來偽裝python代碼, 防止被識別出是爬蟲程序, 然后被反爬
# user-agent: 瀏覽器的基本標識
headers = {
    'cookie': 'privacyPolicyPopup=false; user_trace_token=20211016201224-ba4d90f0-3db5-4647-a86e-411ee3d5bfef; __lg_stoken__=08639898fbdd53a7ebf88fa16e895b59a51e47738f45faef6a32b9a88d6537bf9459b2c6d956a636a99ff599c6a260f04514df42cb77f83065d55f48a2549e60381e8da811b8; JSESSIONID=ABAAAECAAEBABIIE72FFC38A79322951663B5C7AF10CD12; WEBTJ-ID=20211016201225-17c89047f4293-0d7a7cd583dc83-b7a1438-2073600-17c89047f43a90; sajssdk_2015_cross_new_user=1; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%2217c8904800d57b-04f17ed5193984-b7a1438-2073600-17c8904800e765%22%2C%22%24device_id%22%3A%2217c8904800d57b-04f17ed5193984-b7a1438-2073600-17c8904800e765%22%7D; PRE_UTM=; PRE_HOST=; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2Fjobs%2Flist%5Fpython%3FlabelWords%3D%26fromSearch%3Dtrue%26suginput%3D; LGSID=20211016201225-7b8aa578-74ab-4b09-885c-ebbe57a6029a; PRE_SITE=; LGUID=20211016201225-fda15dbb-7823-4a2d-9d80-258caf018f02; _ga=GA1.2.903785807.1634386346; _gat=1; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1634386346; _gid=GA1.2.701447082.1634386346; X_HTTP_TOKEN=ba154973a88f2f64153683436141effc1d544fa2ed; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1634386352; LGRID=20211016201232-8913a057-d37d-41c3-b094-a04cf36515a7; SEARCH_ID=ff32d1294b464305b4e0907f659ef2a7',
    'referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
}
data = {
    'first': 'false',
    'pn': page,
    'kd': 'python',
    'sid': 'bf8ed05047294473875b2c8373df0357'
}
# response 自定義變量 可以自己定義 
response = requests.post(url=url, data=data, headers=headers)

<Response [200]> 獲取服務器給我們響應數(shù)據(jù)

解析數(shù)據(jù)

json數(shù)據(jù)最好解析非常好解析, 就根據(jù)字典鍵值對取值

result = response.json()['content']['positionResult']['result']
# 循環(huán)遍歷  從 result 列表里面 把元素一個一個提取出來
for index in result:
    # pprint.pprint(index)
    # href = index['positionId']
    href = f'https://www.lagou.com/jobs/{index["positionId"]}.html'
    dit = {
        '標題': index['positionName'],
        '地區(qū)': index['city'],
        '公司名字': index['companyFullName'],
        '薪資': index['salary'],
        '學歷': index['education'],
        '經(jīng)驗': index['workYear'],
        '公司標簽': ','.join(index['companyLabelList']),
        '詳情頁': href,
    }
    # ''.join() 把列表轉(zhuǎn)成字符串 '免費班車',
    csv_writer.writerow(dit)
    print(dit)

加翻頁

for page in range(1, 31):
    print(f'------------------------正在爬取第{page}頁-------------------------')
    time.sleep(1)

保存數(shù)據(jù)

f = open('招聘數(shù)據(jù).csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '標題',
    '地區(qū)',
    '公司名字',
    '薪資',
    '學歷',
    '經(jīng)驗',
    '公司標簽',
    '詳情頁',
])

csv_writer.writeheader() # 寫入表頭