Python拉勾爬蟲——以深圳地區數據分析師為例

拉勾因其結構化的數據比較多因此過去常常被爬，所以在其多次改版之下變得難爬。不過只要清楚它的原理，依然比較好爬。其機制主要就是AJAX異步加載JSON數據，所以至少在搜索頁面里翻頁url不會變化，而且數據也不會出現在源代碼里。

數據解析

這是深圳地區的數據分析師頁面，用Chrome檢查打開。在XHR中可以看到一個以postionAjax.json開頭的腳本，打開Preview看一下，可以看到：

可以發現這些數據與前端的數據一致，此時我們已經找到了數據入口，就可以開始爬了。

數據爬取

在Headers里可以查看請求方式：

Request Header:
Request URL:https://www.lagou.com/jobs/positionAjax.json?city=深圳&needAddtionalResult=false
Request Method:POST
Status Code:200 OK
Remote Address:106.75.72.62:443

從Request Header中可以看到，是用POST提交表單方式查詢的（所以如果你直接點開Request URL你會發現數據不對，因為沒有提交表單數據）。

那么我們就可以在Python中構造請求頭以及提交表單數據來訪問：

import requests
import time
from sqlalchemy import create_engine
import pandas as pd
from random import choice
import json
import numpy

engine=create_engine(#這里填你自己數據庫的參數#) # 連接數據庫
dl = pd.read_sql("proxys",engine)

def get_proxy(dl):
    n = choice(range(1, len(dl.index)))
    proxy = {"http":"http://%s:%s" %(dl["ip"][n],dl["port"][n]),
             "https": "http://%s:%s" % (dl["ip"][n], dl["port"][n])}
    return(proxy)

def get_header():
    headers = {
        "User-Agent": ""Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)"",
        "Accept": "application/json, text/javascript, */*; q=0.01",
        "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
        "Referer": "https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88?px=default&city=%E6%B7%B1%E5%9C%B3&district=%E5%8D%97%E5%B1%B1%E5%8C%BA",
        "X-Requested-With": "XMLHttpRequest",
        "Host": "www.lagou.com",
        "Connection":"keep-alive",
        "Cookie":"user_trace_token=20160214102121-0be42521e365477ba08bd330fd2c9c72; LGUID=20160214102122-a3b749ae-d2c1-11e5-8a48-525400f775ce; tencentSig=9579373568; pgv_pvi=3712577536; index_location_city=%E5%85%A8%E5%9B%BD; SEARCH_ID=c684c55390a84fe5bd7b62bf1754b900; JSESSIONID=8C779B1311176D4D6B74AF3CE40CE5F2; TG-TRACK-CODE=index_hotjob; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1485318435,1485338972,1485393674,1485423558; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1485423598; _ga=GA1.2.1996921784.1455416480; LGRID=20170126174002-691cb0a5-e3ab-11e6-bdc0-525400f775ce",
        "Origin": "https://www.lagou.com",
        "Upgrade-Insecure-Requests":"1",
        "X-Anit-Forge-Code": "0",
        "X-Anit-Forge-Token": "None",
        "Accept-Encoding": "gzip, deflate, br",
        "Accept-Language": "zh-CN,zh;q=0.8"
        }
    return(headers)

def get_form(i):
    data={"first":"false","pn":i,"kd":"數據分析師"}
    return(data)

districts = ["南山區","福田區","寶安區","龍崗區","龍華新區","羅湖區","鹽田區","大鵬新區"]
pagenos = [22,10,1,4,1,2,1,1]
url_lists = ["https://www.lagou.com/jobs/positionAjax.json?px=default&city=深圳&district=%s&needAddtionalResult=false"%area for area in districts]

s = requests.Session()
s.keep_alive = False
s.adapters.DEFAULT_RETRIES = 10

def get_jobinfo(i,j): # i表區號，j表頁數
    if i >= 8 or j > pagenos[i]:
        return("索引超標！")
    resp=s.post(url_lists[i], data=get_form(j), headers=get_header())
    resp.encoding="utf-8"
    max_num = len(json.loads(resp.text)["content"]["positionResult"]["result"])
    for k in range(max_num):
        try:
            json_data=json.loads(resp.text)["content"]["positionResult"]["result"][k]
            df = pd.DataFrame(dict(
                approve=json_data["approve"],
        #        businessZones=json_data["businessZones"],
                companyId=json_data["companyId"],
        #        companyLabelList=json_data["companyLabelList"],
                companyShortName=json_data["companyShortName"],
                companySize=json_data["companySize"],
                createTime=json_data["createTime"],
                education=json_data["education"],
                financeStage=json_data["financeStage"],
                firstType=json_data["firstType"],
                industryField=json_data["industryField"],
                jobNature=json_data["jobNature"],
                positionAdvantage=json_data["positionAdvantage"],
                positionId=json_data["positionId"],
                positionName=json_data["positionName"],
                salary=json_data["salary"],
                secondType=json_data["secondType"],
                workYear=json_data["workYear"],
                scrapy_time=time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))),index=[0])
            df.to_sql(con = engine, name = "job_info", if_exists = 'append', flavor = "mysql",index=False)
        except:
            print("第%d區，第%d頁，第%d個出錯了！"%(i,j,k))

以上這個函數就可以通過提交區和頁數，返回當前頁的職位數。

其實AJAX返回JSON數據的方式也有好處，數據都是規整的，不必花太多時間精力在數據清洗上。

不過注意要加延時，拉勾的反爬蟲措施還是比較嚴的，不加延時爬一小會兒就會被封IP。