python制作爬蟲并將抓取結(jié)果保存到excel中
學(xué)習(xí)Python也有一段時(shí)間了,各種理論知識(shí)大體上也算略知一二了,今天就進(jìn)入實(shí)戰(zhàn)演練:通過Python來編寫一個(gè)拉勾網(wǎng)薪資調(diào)查的小爬蟲。
第一步:分析網(wǎng)站的請(qǐng)求過程
我們?cè)诓榭蠢淳W(wǎng)上的招聘信息的時(shí)候,搜索Python,或者是PHP等等的崗位信息,其實(shí)是向服務(wù)器發(fā)出相應(yīng)請(qǐng)求,由服務(wù)器動(dòng)態(tài)的響應(yīng)請(qǐng)求,將我們所需要的內(nèi)容通過瀏覽器解析,呈現(xiàn)在我們的面前。

可以看到我們發(fā)出的請(qǐng)求當(dāng)中,F(xiàn)ormData中的kd參數(shù),就代表著向服務(wù)器請(qǐng)求關(guān)鍵詞為Python的招聘信息。
分析比較復(fù)雜的頁(yè)面請(qǐng)求與響應(yīng)信息,推薦使用Fiddler,對(duì)于分析網(wǎng)站來說絕對(duì)是一大殺器。不過比較簡(jiǎn)單的響應(yīng)請(qǐng)求用瀏覽器自帶的開發(fā)者工具就可以,比如像火狐的FireBug等等,只要輕輕一按F12,所有的請(qǐng)求的信息都會(huì)事無巨細(xì)的展現(xiàn)在你面前。
經(jīng)由分析網(wǎng)站的請(qǐng)求與響應(yīng)過程可知,拉勾網(wǎng)的招聘信息都是由XHR動(dòng)態(tài)傳遞的。

我們發(fā)現(xiàn),以POST方式發(fā)出的請(qǐng)求有兩個(gè),分別是companyAjax.json和positionAjax.json,它們分別控制當(dāng)前顯示的頁(yè)面和頁(yè)面中包含的招聘信息。

可以看到,我們所需要的信息包含在positionAjax.json的Content->result當(dāng)中,其中還包含了一些其他參數(shù)信息,包括總頁(yè)面數(shù)(totalPageCount),總招聘登記數(shù)(totalCount)等相關(guān)信息。
第二步:發(fā)送請(qǐng)求,獲取頁(yè)面
知道我們所要抓取的信息在哪里是最為首要的,知道信息位置之后,接下來我們就要考慮如何通過Python來模擬瀏覽器,獲取這些我們所需要的信息。
def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息,并讀取返回后的頁(yè)面信息
page_headers = {
'Host': 'www.lagou.com',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Connection': 'keep-alive'
}
if page_num == 1:
boo = 'true'
else:
boo = 'false'
page_data = parse.urlencode([ # 通過頁(yè)面分析,發(fā)現(xiàn)瀏覽器提交的FormData包括以下參數(shù)
('first', boo),
('pn', page_num),
('kd', keyword)
])
req = request.Request(url, headers=page_headers)
page = request.urlopen(req, data=page_data.encode('utf-8')).read()
page = page.decode('utf-8')
return page
其中比較關(guān)鍵的步驟在于如何仿照瀏覽器的Post方式,來包裝我們自己的請(qǐng)求。
request包含的參數(shù)包括所要抓取的網(wǎng)頁(yè)url,以及用于偽裝的headers。urlopen中的data參數(shù)包括FormData的三個(gè)參數(shù)(first、pn、kd)
包裝完畢之后,就可以像瀏覽器一樣訪問拉勾網(wǎng),并獲得頁(yè)面數(shù)據(jù)了。
第三步:各取所需,獲取數(shù)據(jù)
獲得頁(yè)面信息之后,我們就可以開始爬蟲數(shù)據(jù)中最主要的步驟:抓取數(shù)據(jù)。
抓取數(shù)據(jù)的方式有很多,像正則表達(dá)式re,lxml的etree,json,以及bs4的BeautifulSoup都是python3抓取數(shù)據(jù)的適用方法。大家可以根據(jù)實(shí)際情況,使用其中一個(gè),又或多個(gè)結(jié)合使用。
def read_tag(page, tag):
page_json = json.loads(page)
page_json = page_json['content']['result']
# 通過分析獲取的json信息可知,招聘信息包含在返回的result當(dāng)中,其中包含了許多其他參數(shù)
page_result = [num for num in range(15)] # 構(gòu)造一個(gè)容量為15的占位list,用以構(gòu)造接下來的二維數(shù)組
for i in range(15):
page_result[i] = [] # 構(gòu)造二維數(shù)組
for page_tag in tag:
page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數(shù),將它們放置在同一個(gè)list當(dāng)中
page_result[i][8] = ','.join(page_result[i][8])
return page_result # 返回當(dāng)前頁(yè)的招聘信息
第四步:將所抓取的信息存儲(chǔ)到excel中
獲得原始數(shù)據(jù)之后,為了進(jìn)一步的整理與分析,我們有結(jié)構(gòu)有組織的將抓取到的數(shù)據(jù)存儲(chǔ)到excel中,方便進(jìn)行數(shù)據(jù)的可視化處理。
這里我用了兩個(gè)不同的框架,分別是老牌的xlwt.Workbook、以及xlsxwriter。
def save_excel(fin_result, tag_name, file_name):
book = Workbook(encoding='utf-8')
tmp = book.add_sheet('sheet')
times = len(fin_result)+1
for i in range(times): # i代表的是行,i+1代表的是行首信息
if i == 0:
for tag_name_i in tag_name:
tmp.write(i, tag_name.index(tag_name_i), tag_name_i)
else:
for tag_list in range(len(tag_name)):
tmp.write(i, tag_list, str(fin_result[i-1][tag_list]))
book.save(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)
首先是xlwt,不知道為什么,xlwt存儲(chǔ)到100多條數(shù)據(jù)之后,會(huì)存儲(chǔ)不全,而且excel文件也會(huì)出現(xiàn)“部分內(nèi)容有問題,需要進(jìn)行修復(fù)”我檢查了很多次,一開始以為是數(shù)據(jù)抓取的不完全,導(dǎo)致的存儲(chǔ)問題。后來斷點(diǎn)檢查,發(fā)現(xiàn)數(shù)據(jù)是完整的。后來?yè)Q了本地的數(shù)據(jù)進(jìn)行處理,也沒有出現(xiàn)問題。我當(dāng)時(shí)的心情是這樣的:

到現(xiàn)在我也沒弄明白,有知道的大神希望能告訴我ლ(╹ε╹ლ)
def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲(chǔ)到excel當(dāng)中
book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認(rèn)存儲(chǔ)在桌面上
tmp = book.add_worksheet()
row_num = len(fin_result)
for i in range(1, row_num):
if i == 1:
tag_pos = 'A%s' % i
tmp.write_row(tag_pos, tag_name)
else:
con_pos = 'A%s' % i
content = fin_result[i-1] # -1是因?yàn)楸槐砀竦谋眍^所占
tmp.write_row(con_pos, content)
book.close()
這是使用xlsxwriter存儲(chǔ)的數(shù)據(jù),沒有問題,可以正常使用。
到從為止,一個(gè)抓取拉勾網(wǎng)招聘信息的小爬蟲就誕生了。
附上源碼
#! -*-coding:utf-8 -*-
from urllib import request, parse
from bs4 import BeautifulSoup as BS
import json
import datetime
import xlsxwriter
starttime = datetime.datetime.now()
url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC'
# 拉鉤網(wǎng)的招聘信息都是動(dòng)態(tài)獲取的,所以需要通過post來遞交json信息,默認(rèn)城市為北京
tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize',
'industryField', 'companyLabelList'] # 這是需要抓取的標(biāo)簽信息,包括公司名稱,學(xué)歷要求,薪資等等
tag_name = ['公司名稱', '公司簡(jiǎn)稱', '職位名稱', '所需學(xué)歷', '工資', '公司資質(zhì)', '公司規(guī)模', '所屬類別', '公司介紹']
def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息,并讀取返回后的頁(yè)面信息
page_headers = {
'Host': 'www.lagou.com',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Connection': 'keep-alive'
}
if page_num == 1:
boo = 'true'
else:
boo = 'false'
page_data = parse.urlencode([ # 通過頁(yè)面分析,發(fā)現(xiàn)瀏覽器提交的FormData包括以下參數(shù)
('first', boo),
('pn', page_num),
('kd', keyword)
])
req = request.Request(url, headers=page_headers)
page = request.urlopen(req, data=page_data.encode('utf-8')).read()
page = page.decode('utf-8')
return page
def read_tag(page, tag):
page_json = json.loads(page)
page_json = page_json['content']['result'] # 通過分析獲取的json信息可知,招聘信息包含在返回的result當(dāng)中,其中包含了許多其他參數(shù)
page_result = [num for num in range(15)] # 構(gòu)造一個(gè)容量為15的list占位,用以構(gòu)造接下來的二維數(shù)組
for i in range(15):
page_result[i] = [] # 構(gòu)造二維數(shù)組
for page_tag in tag:
page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數(shù),將它們放置在同一個(gè)list當(dāng)中
page_result[i][8] = ','.join(page_result[i][8])
return page_result # 返回當(dāng)前頁(yè)的招聘信息
def read_max_page(page): # 獲取當(dāng)前招聘關(guān)鍵詞的最大頁(yè)數(shù),大于30的將會(huì)被覆蓋,所以最多只能抓取30頁(yè)的招聘信息
page_json = json.loads(page)
max_page_num = page_json['content']['totalPageCount']
if max_page_num > 30:
max_page_num = 30
return max_page_num
def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲(chǔ)到excel當(dāng)中
book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認(rèn)存儲(chǔ)在桌面上
tmp = book.add_worksheet()
row_num = len(fin_result)
for i in range(1, row_num):
if i == 1:
tag_pos = 'A%s' % i
tmp.write_row(tag_pos, tag_name)
else:
con_pos = 'A%s' % i
content = fin_result[i-1] # -1是因?yàn)楸槐砀竦谋眍^所占
tmp.write_row(con_pos, content)
book.close()
if __name__ == '__main__':
print('**********************************即將進(jìn)行抓取**********************************')
keyword = input('請(qǐng)輸入您要搜索的語(yǔ)言類型:')
fin_result = [] # 將每頁(yè)的招聘信息匯總成一個(gè)最終的招聘信息
max_page_num = read_max_page(read_page(url, 1, keyword))
for page_num in range(1, max_page_num):
print('******************************正在下載第%s頁(yè)內(nèi)容*********************************' % page_num)
page = read_page(url, page_num, keyword)
page_result = read_tag(page, tag)
fin_result.extend(page_result)
file_name = input('抓取完成,輸入文件名保存:')
save_excel(fin_result, tag_name, file_name)
endtime = datetime.datetime.now()
time = (endtime - starttime).seconds
print('總共用時(shí):%s s' % time)
還有許多功能可以添加,比如說通過修改city參數(shù)查看不同城市的招聘信息啦等等,大家可以自行開發(fā),這里只做拋磚引玉之用,歡迎交流,
相關(guān)文章
Mac中Python 3環(huán)境下安裝scrapy的方法教程
作為一名python爬蟲愛好者,怎能不折騰下Scrapy?折騰了許久之后終于安裝到了mac中,所以下面這篇文章主要給大家介紹了關(guān)于Mac系統(tǒng)中Python 3環(huán)境下安裝scrapy的相關(guān)資料,文中將實(shí)現(xiàn)的步驟一步步介紹的非常詳細(xì),需要的朋友可以參考下。2017-10-10
Python數(shù)據(jù)可視化教程之Matplotlib實(shí)現(xiàn)各種圖表實(shí)例
這篇文章主要給大家介紹了關(guān)于Python數(shù)據(jù)可視化教程之利用Matplotlib實(shí)現(xiàn)各種圖表的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面來一起看看吧2019-01-01
python3如何使用Requests測(cè)試帶簽名的接口
這篇文章主要介紹了python3如何使用Requests測(cè)試帶簽名的接口,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2022-02-02
Python實(shí)現(xiàn)動(dòng)態(tài)繪圖的示例詳解
matplotlib中的animation提供了動(dòng)態(tài)繪圖功能,這篇文章主要為大家詳細(xì)介紹了Python如何利用matplotlib實(shí)現(xiàn)動(dòng)態(tài)繪圖,感興趣的可以了解一下2023-05-05
解決pytorch中的kl divergence計(jì)算問題
這篇文章主要介紹了解決pytorch中的kl divergence計(jì)算問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2021-05-05
使用Python的Turtle繪制哆啦A夢(mèng)實(shí)例
今天小編就為大家分享一篇使用Python的Turtle繪制哆啦A夢(mèng)實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-11-11

