請求庫，即可以模仿瀏覽器對網站發起請求的模塊（庫）。
requests模塊
使用requests可以模擬瀏覽器的請求，requests模塊的本質是封裝了urllib3模塊的功能，比起之前用到的urllib，requests模塊的api更加便捷
requests庫發送請求將網頁內容下載下來以后，並不會執行js代碼，這需要我們自己分析目標站點然后發起新的request請求，但是selenium模塊就可以執行js的操作。
安裝：
pip3 install requests
請求方式：主要用到的就get和post兩種
#各種請求方式：常用的就是requests.get()和requests.post() import requests r = requests.get('https://api.github.com/events') r = requests.post('http://httpbin.org/post', data = {'key':'value'}) r = requests.put('http://httpbin.org/put', data = {'key':'value'}) r = requests.delete('http://httpbin.org/delete') r = requests.head('http://httpbin.org/get') r = requests.options('http://httpbin.org/get')
#GET請求 HTTP默認的請求方法就是GET * 沒有請求體 * 數據必須在1K之內！ * GET請求數據會暴露在瀏覽器的地址欄中 GET請求常用的操作： 1. 在瀏覽器的地址欄中直接給出URL，那么就一定是GET請求 2. 點擊頁面上的超鏈接也一定是GET請求 3. 提交表單時，表單默認使用GET請求，但可以設置為POST #POST請求 (1). 數據不會出現在地址欄中 (2). 數據的大小沒有上限 (3). 有請求體 (4). 請求體中如果存在中文，會使用URL編碼！ #！！！requests.post()用法與requests.get()完全一致，特殊的是requests.post()有一個data參數，用來存放請求體數據
基於GET的請求方式
一、基本請求的代碼
import requests response=requests.get('http://http://www.cnblogs.com/') print(response.text)
二、GET請求的參數
GET請求的參數放在url的問號后面，以鍵值對形式傳參
方式一：自行拼接參數（原理就是這樣，不過我們一般都用方式二的形式）
#在請求頭內將自己偽裝成瀏覽器，否則百度不會正常返回頁面內容 import requests response=requests.get('https://www.baidu.com/s?wd=python&pn=1', #請求頭信息 headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36', }) print(response.text) #如果查詢關鍵詞是中文或者有其他特殊符號，則不得不進行url編碼后再拼接 from urllib.parse import urlencode wd='蒼老師' encode_res=urlencode({'k':wd},encoding='utf-8') keyword=encode_res.split('=')[1]#拿到編碼后的字符串 print(keyword) # 然后拼接成url url='https://www.baidu.com/s?wd=%s&pn=1' %keyword response=requests.get(url, headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36', }) res1=response.text
方式二：利用params參數（原理就是底層封裝了方式一）
#上述操作可以用requests模塊的一個params參數搞定，本質還是調用urlencode from urllib.parse import urlencode wd='egon老師' pn=1 response=requests.get('https://www.baidu.com/s', #參數進行傳參，幫我們省去了urlencode這一步 params={ 'wd':wd, 'pn':pn }, headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36', }) res2=response.text #驗證結果，打開a.html與b.html頁面內容一樣 with open('a.html','w',encoding='utf-8') as f: f.write(res1) with open('b.html', 'w', encoding='utf-8') as f: f.write(res2) params參數的使用
三、請求頭headers
一般情況下，瀏覽器在發送GET請求的時候都會有請求頭，用於放置跟客戶端有關的信息。有些網站必須要有某些參數，這時我們在用爬蟲偽造瀏覽器發送GET請求時就要在headers參數下設置好請求頭中會攜帶的參數
常見請求頭：
#通常我們在發送請求時都需要帶上請求頭，請求頭是將自身偽裝成瀏覽器的關鍵，常見的有用的請求頭如下 Host Referer #大型網站通常都會根據該參數判斷請求的來源 User-Agent #客戶端 Cookie #Cookie信息包含在請求頭里，requests模塊有單獨的參數來處理他，處理后headers={}內就可以不用放置
#添加headers(瀏覽器會識別請求頭,不加可能會被拒絕訪問,比如訪問https://www.zhihu.com/explore) import requests response=requests.get('https://www.zhihu.com/explore') response.status_code #500 #自己定制headers headers={ 'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36', } respone=requests.get('https://www.zhihu.com/explore', headers=headers) print(respone.status_code) #200
四、cookie信息
有些要登錄才能實行的功能，我們就必須在發起請求的信息中帶上cookie，該cookie需要先由瀏覽器真實訪問后得到，不可偽造。但我們可以在瀏覽器真實訪問后將cookie信息復制出來，在我們爬蟲發起GET請求時傳入該參數即可
#登錄github，然后從瀏覽器中獲取cookies，以后就可以直接拿着cookie登錄了，無需輸入用戶名密碼 #用戶名:egonlin 郵箱378533872@qq.com 密碼lhf@123 import requests Cookies={
'user_session':'wGMHFJKgDcmRIVvcA14_Wrt_3xaUyJNsBnPbYzEL6L0bHcfc', } response=requests.get(
'https://github.com/settings/emails', cookies=Cookies) #github對請求頭沒有什么限制，我們無需定制user-agent，對於其他網站可能還需要定制 print('378533872@qq.com' in response.text) #True
然而，每次都要先打開瀏覽器訪問鏈接再講cookie復制出來是一個非常麻煩的事，真正的程序員怎么可以被這個給限制住。所以，我們就要用到requests模塊下的一個函數
import requests session = requests.session()
之后，我們每次發起GET請求的時候都用session代替requests即可，再也不必為傳cookie而煩惱啦。（從此忘記cookie也行哈哈哈）
示例代碼：
session.get(
'https://passport.lagou.com/grantServiceTicket/grant.html', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 'Referer': 'https://passport.lagou.com/login/login.html', } )
基於POST的請求方式
請求的代碼與GET相同，不過因為POST請求的參數放在請求體里，所以在傳參的時候會多一個data參數，用於放置請求的參數信息。
''' 一 目標站點分析 瀏覽器輸入https://github.com/login 然后輸入錯誤的賬號密碼，抓包 發現登錄行為是post提交到：https://github.com/session 而且請求頭包含cookie 而且請求體包含： commit:Sign in utf8:✓ authenticity_token:lbI8IJCwGslZS8qJPnof5e7ZkCoSoMn6jmDTsL1r/m06NLyIbw7vCrpwrFAPzHMep3Tmf/TSJVoXWrvDZaVwxQ== login:egonlin password:123 二 流程分析 先GET：https://github.com/login拿到初始cookie與authenticity_token 返回POST：https://github.com/session， 帶上初始cookie，帶上請求體（authenticity_token，用戶名，密碼等） 最后拿到登錄cookie ps：如果密碼時密文形式，則可以先輸錯賬號，輸對密碼，然后到瀏覽器中拿到加密后的密碼，github的密碼是明文 ''' import requests import re #第一次請求 r1=requests.get('https://github.com/login') r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授權) authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #從頁面中拿到CSRF TOKEN #第二次請求：帶着初始cookie和TOKEN發送POST請求給登錄頁面，帶上賬號密碼 data={ 'commit':'Sign in', 'utf8':'✓', 'authenticity_token':authenticity_token, 'login':'317828332@qq.com', 'password':'alex3714' } r2=requests.post('https://github.com/session', data=data, cookies=r1_cookie ) login_cookie=r2.cookies.get_dict() #第三次請求：以后的登錄，拿着login_cookie就可以,比如訪問一些個人配置 r3=requests.get('https://github.com/settings/emails', cookies=login_cookie) print('317828332@qq.com' in r3.text) #True 自動登錄github（自己處理cookie信息）
import requests import re session=requests.session() #第一次請求 r1=session.get('https://github.com/login') authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #從頁面中拿到CSRF TOKEN #第二次請求 data={ 'commit':'Sign in', 'utf8':'✓', 'authenticity_token':authenticity_token, 'login':'317828332@qq.com', 'password':'alex3714' } r2=session.post('https://github.com/session', data=data, ) #第三次請求 r3=session.get('https://github.com/settings/emails') print('317828332@qq.com' in r3.text) #True
補充說明
requests.post(url='xxxxxxxx', data={'xxx':'yyy'}) #沒有指定請求頭,#默認的請求頭:application/x-www-form-urlencoed #如果我們自定義請求頭是application/json,並且用data傳值, 則服務端取不到值 requests.post(url='', data={'':1,}, headers={ 'content-type':'application/json' }) requests.post(url='', json={'':1,}, ) #默認的請求頭:application/json
響應Response
response是響應信息，具體屬性如下
import requests respone=requests.get('http://www.jianshu.com') # respone屬性 print(respone.text) #包含html內容的字符串 print(respone.content)#bytes類型的字符串 print(respone.status_code)#狀態碼200 print(respone.headers) #請求頭信息 print(respone.cookies) #COOKIE對象 print(respone.cookies.get_dict())#封裝了cookie參數的字典{'locale': 'zh-CN'} print(respone.cookies.items())#封裝了cookie參數的列表[('locale', 'zh-CN')] print(respone.url)#url地址https://www.jianshu.com/ print(respone.history) print(respone.encoding)#編碼utf-8 #關閉：response.close() from contextlib import closing with closing(requests.get('xxx',stream=True)) as response: for line in response.iter_content(): pass#將內容一行一行寫到文件中
有時網頁不是utf-8的編碼，所以我們要解決編碼的問題
#編碼問題 import requests response=requests.get('http://www.autohome.com/news') # response.encoding='gbk' #汽車之家網站返回的頁面內容為gb2312編碼的，而requests的默認編碼為ISO-8859-1，如果不設置成gbk則中文亂碼 print(response.text)
獲取二進制數據和二進制流
圖片和視頻我們獲取下來時是二進制數據，這時我們要用wb的形式寫到本地。但有時視頻很大，我們一下子加載到內存再去寫入本地是不合理的，所以我們會用到二進制流
寫二進制數據：
import requests response=requests.get('https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1509868306530&di=712e4ef3ab258b36e9f4b48e85a81c9d&imgtype=0&src=http%3A%2F%2Fc.hiphotos.baidu.com%2Fimage%2Fpic%2Fitem%2F11385343fbf2b211e1fb58a1c08065380dd78e0c.jpg') with open('a.jpg','wb') as f: f.write(response.content)
二進制流：
#stream參數:一點一點的取,比如下載視頻時,如果視頻100G,用response.content然后一下子寫到文件中是不合理的 import requests response=requests.get('https://gss3.baidu.com/6LZ0ej3k1Qd3ote6lo7D0j9wehsv/tieba-smallvideo-transcode/1767502_56ec685f9c7ec542eeaf6eac93a65dc7_6fe25cd1347c_3.mp4', stream=True) with open('b.mp4','wb') as f: for line in response.iter_content(): f.write(line)
解析json數據：
#解析json import requests response=requests.get('http://httpbin.org/get') import json res1=json.loads(response.text) #太麻煩 res2=response.json() #直接獲取json數據 print(res1 == res2) #True
Redirection and History
By default Requests will perform location redirection for all verbs except HEAD. We can use the history property of the Response object to track redirection. The Response.history list contains the Response objects that were created in order to complete the request. The list is sorted from the oldest to the most recent response. For example, GitHub redirects all HTTP requests to HTTPS: >>> r = requests.get('http://github.com') >>> r.url 'https://github.com/' >>> r.status_code >>> r.history [<Response [301]>] If you're using GET, OPTIONS, POST, PUT, PATCH or DELETE, you can disable redirection handling with the allow_redirects parameter: >>> r = requests.get('http://github.com', allow_redirects=False) >>> r.status_code >>> r.history [] If you're using HEAD, you can enable redirection as well: >>> r = requests.head('http://github.com', allow_redirects=True) >>> r.url 'https://github.com/' >>> r.history [<Response [301]>] 先看官網的解釋
import requests import re #第一次請求 r1=requests.get('https://github.com/login') r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授權) authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #從頁面中拿到CSRF TOKEN #第二次請求：帶着初始cookie和TOKEN發送POST請求給登錄頁面，帶上賬號密碼 data={ 'commit':'Sign in', 'utf8':'✓', 'authenticity_token':authenticity_token, 'login':'317828332@qq.com', 'password':'alex3714' } #測試一：沒有指定allow_redirects=False,則響應頭中出現Location就跳轉到新頁面，r2代表新頁面的response r2=requests.post('https://github.com/session', data=data, cookies=r1_cookie ) print(r2.status_code) #200 print(r2.url) #看到的是跳轉后的頁面 print(r2.history) #看到的是跳轉前的response print(r2.history[0].text) #看到的是跳轉前的response.text #測試二：指定allow_redirects=False,則響應頭中即便出現Location也不會跳轉到新頁面，r2代表的仍然是老頁面的response r2=requests.post('https://github.com/session', data=data, cookies=r1_cookie, allow_redirects=False ) print(r2.status_code) #302 print(r2.url) #看到的是跳轉前的頁面https://github.com/session print(r2.history) #[]
進階知識點
其實學會了以上的知識，就已經可以做到用requests去爬網頁了。下面的知識是高級用法，但其實並不難。
一、SSL證書驗證
很多大網站用的都是https，而https是要求訪問者攜帶證書的，但是其實有些不用證書也可以訪問，大多數情況都是可以攜帶也可以不攜帶證書比如知乎和百度等
但有些是有硬性要求的,則必須帶，比如對於定向的用戶,拿到證書后才有權限訪問。例如12306
這個時候我們在用爬蟲發起請求的時候就需要做一些手腳啦
#證書驗證(大部分網站都是https) import requests respone=requests.get('https://www.12306.cn') #如果是ssl請求,首先檢查證書是否合法,不合法則報錯,不允許訪問 #改進1:去掉報錯,能訪問但是會報警告，因為畢竟我們沒有證書 import requests respone=requests.get('https://www.12306.cn',verify=False) #verify參數改成false就不驗證證書,報警告,能訪問，返回200 print(respone.status_code)#200 #改進2:去掉報錯,並且去掉警報信息，與上步沒啥太大區別 import requests from requests.packages import urllib3 urllib3.disable_warnings() #關閉警告 respone=requests.get('https://www.12306.cn',verify=False) print(respone.status_code) #改進3:加上證書 #很多網站都是https,但是不用證書也可以訪問,大多數情況都是可以攜帶也可以不攜帶證書 #知乎\百度等都是可帶可不帶 #有硬性要求的,則必須帶，比如對於定向的用戶,拿到證書后才有權限訪問某個類似12306的特定網站 import requests respone=requests.get('https://www.12306.cn', cert=('/path/server.crt', '/path/key'))#證書存放在本地 print(respone.status_code)
二、代理
有些時候，我們用爬蟲訪問某網站請求的太頻繁時人家網站會檢測到你的不法行為然后將你的ip封掉，這樣你就不能繼續做不可告人的事啦。怎么辦呢？我們可以用到代理。
代理的原理是：我們先發送請求到代理的IP上，然后由代理幫忙發送。代理IP可以在網上搜，一搜一大把，但代理也是有時效性的，盡量用最新鮮的，因為老舊的可能已經被人用爛然后早就被封了。。
使用http代理的栗子：
#官網鏈接: http://docs.python-requests.org/en/master/user/advanced/#proxies #代理設置:先發送請求給代理,然后由代理幫忙發送 import requests #代理的參數 proxies={ 'http':'http://egon:123@localhost:9743',#帶用戶名密碼的代理,@符號前是用戶名與密碼，@符號后是IP和端口 'http':'http://localhost:9743',#不帶用戶名密碼的代理 'https':'https://localhost:9743', } respone=requests.get('https://www.12306.cn', proxies=proxies) print(respone.status_code)
擴展：socks代理
Socks 代理與應用層代理、 HTTP 層代理不同，Socks代理只是簡單地傳遞數據包，而不必關心是何種應用協議（比如FTP、HTTP和NNTP請求）。所以，Socks代理比其他應用層代理要快得多。它通常綁定在代理服務器的1080端口上。如果在企業網或校園網上，需要透過防火牆或通過代理服務器訪問Internet就可能需要使用SOCKS。
一般情況下，對於撥號上網用戶都不需要使用它。我們常用的代理服務器仍然是專門的http代理，它和SOCKS是不同的。因此，能瀏覽網頁不等於您一定可以通過SOCKS訪問Internet。 常用的防火牆，或代理軟件都支持SOCKS，但需要其管理員打開這一功能。為了使用socks，需要了解一下內容：
① SOCKS服務器的IP地址
② SOCKS服務所在的端口
③ 這個SOCKS服務是否需要
用戶認證？如果需要，就要向網絡管理員申請一個用戶和口令
知道了上述信息，您就可以把這些信息填入“網絡配置”中，或者在第一次登記時填入，您就可以使用socks代理了。
不過我們在爬蟲階段不必了解那么多，我們只要知道用http代理的時候必須區分開是http請求還是https請求，因為代碼是不同的。而利用socks代理的時候就可以五十這些，統一使用socks。
示例代碼：
#支持socks代理,安裝:pip install requests[socks] import requests #用socks代替了http和https，無需特意做區分 proxies = { 'http': 'socks5://user:pass@host:port', 'https': 'socks5://user:pass@host:port' } respone=requests.get('https://www.12306.cn', proxies=proxies) print(respone.status_code)
三、超時時間
有時候網絡不好或者我們有相應的需求的情況下，我們要為我們的網頁加載設置一個超時時間。在過了超時時間后網頁還沒加載完就關閉此次進程
#兩種超時設置:float or tuple #timeout=0.1 #代表接收數據的超時時間 #timeout=(0.1,0.2)#0.1代表鏈接的超時時間 0.2代表接收數據的超時時間 import requests respone=requests.get('https://www.baidu.com', timeout=0.01)
四、認證設置（極不常用，了解即可）
有些網站的登錄框是像alert一樣彈出來的，這種類型的就無法從HTML中獲取到的，但其本質原理還是拼接成請求頭發送的。
注：一般網站都不會使用這種形式的登錄界面
r.headers['Authorization'] = _basic_auth_str(self.username, self.password)
# 一般的網站都不用默認的加密方式，都是自己寫 # 那么我們就需要按照網站的加密方式，自己寫一個類似於_basic_auth_str的方法得到加密字符串后添加到請求頭 # r.headers['Authorization'] =func('.....') #默認的加密方式（不過通常網站都不會用默認的加密設置） import requests from requests.auth import HTTPBasicAuth r=requests.get('xxx',auth=HTTPBasicAuth('user','password')) print(r.status_code) #HTTPBasicAuth可以簡寫為auth import requests r=requests.get('xxx',auth=('user','password')) print(r.status_code)
五、異常處理
異常處理就是防止程序發生異常時報錯終止的
#異常處理 import requests from requests.exceptions import * #可以查看requests.exceptions獲取異常類型 try: r=requests.get('http://www.baidu.com',timeout=0.00001) except ReadTimeout: print('===:') except ConnectionError: #網絡不通 print('-----') except Timeout: print('aaaaa') except RequestException: print('Error')
六、上傳文件
上傳文件的操作很簡單，但是其實我們在爬蟲的時候基本不會用到上傳，我們都是爬取的。
import requests files={'file':open('a.jpg','rb')} respone=requests.post('http://httpbin.org/post',files=files) print(respone.status_code)
formdata格式上傳圖片
import requests from urllib3 import encode_multipart_formdata path = 'test1.png' # 上傳圖片 url = 'xxxxxx' data = {'upload':(path, open(path, 'rb').read())} header = {} encode_data = encode_multipart_formdata(data) file_data = encode_data[0] header['Content-Type'] = encode_data[1] r = requests.post(url, headers=header, data=file_data)
簡單應用
爬取拉勾網職位信息並自動投遞簡歷：
import requests import re session = requests.session() # 第一步：訪問登陸頁,拿到X_Anti_Forge_Token，X_Anti_Forge_Code # 1、請求url:https://passport.lagou.com/login/login.html # 2、請求方法:GET # 3、請求頭: # User-agent r1 = session.get('https://passport.lagou.com/login/login.html', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', }, ) X_Anti_Forge_Token = re.findall("X_Anti_Forge_Token = '(.*?)'", r1.text, re.S)[0] X_Anti_Forge_Code = re.findall("X_Anti_Forge_Code = '(.*?)'", r1.text, re.S)[0] # print(X_Anti_Forge_Token,X_Anti_Forge_Code) # 第二步：登陸 # 1、請求url:https://passport.lagou.com/login/login.json # 2、請求方法:POST # 3、請求頭: # cookie # User-agent # Referer:https://passport.lagou.com/login/login.html # X-Anit-Forge-Code:53165984 # X-Anit-Forge-Token:3b6a2f62-80f0-428b-8efb-ef72fc100d78 # X-Requested-With:XMLHttpRequest # 4、請求體： # isValidate:true # username:18611453110 # password:70621c64832c4d4d66a47be6150b4a8e # request_form_verifyCode:'' # submit:'' r2 = session.post('https://passport.lagou.com/login/login.json', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 'Referer': 'https://passport.lagou.com/login/login.html', 'X-Anit-Forge-Code': X_Anti_Forge_Code, 'X-Anit-Forge-Token': X_Anti_Forge_Token, 'X-Requested-With': 'XMLHttpRequest' }, data={ "isValidate": True, 'username': '18611453110', 'password': '70621c64832c4d4d66a47be6150b4a8e', 'request_form_verifyCode': '', 'submit': '' } ) # 第三步：授權 # 1、請求url:https://passport.lagou.com/grantServiceTicket/grant.html # 2、請求方法:GET # 3、請求頭: # User-agent # Referer:https://passport.lagou.com/login/login.html r3 = session.get('https://passport.lagou.com/grantServiceTicket/grant.html', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 'Referer': 'https://passport.lagou.com/login/login.html', } ) # 第四步：驗證 r4 = session.get('https://www.lagou.com/resume/myresume.html', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', } ) # print('18611453110' in r4.text) # 第五步：篩選職位信息 # 請求url：https://www.lagou.com/jobs/list_java%E9%AB%98%E7%BA%A7%E5%BC%80%E5%8F%91 # 請求方法：GET # 請求頭： # User-Agent # 請求參數： # gj:3年及以下 # px:default # yx:25k-50k # city:北京 from urllib.parse import urlencode res = urlencode({'k': 'java高級開發'}, encoding='utf-8').split('=')[-1] url = 'https://www.lagou.com/jobs/list_' + res # # r5 = session.get(url, # headers={ # 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', # }, # params={ # 'gj': '3年及以下', # 'px': 'default', # 'yx': '25k-50k', # 'city': '北京' # } # ) # # print(r5.text) #請求url：https://www.lagou.com/jobs/positionAjax.json #請求方法：POST #請求頭 # Referer # User-Agent #請求體： # first:true # pn:1 # kd:java高級開發 #請求參數 # params={ # 'gj': '3年及以下', # 'px': 'default', # 'yx': '25k-50k', # 'city': '北京', # 'needAddtionalResult':False, # 'isSchoolJob':0 # } r6=session.post('https://www.lagou.com/jobs/positionAjax.json', headers={ 'Referer':url, 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', }, data={ 'first':True, 'pn':2, 'kd':'java高級開發' }, params={ 'gj': '3年及以下', 'px': 'default', 'yx': '25k-50k', 'city': '北京', 'needAddtionalResult': False, 'isSchoolJob': 0 } ) from pprint import pprint # print(r6.json()) comapines_list=r6.json()['content']['positionResult']['result'] for comapiny in comapines_list: positionId=comapiny['positionId'] company_link='https://www.lagou.com/jobs/{pos_id}.html'.format(pos_id=positionId) companyShortName = comapiny['companyShortName'] positionName = comapiny['positionName'] salary = comapiny['salary'] print(''' 詳情連接:%s 公司名：%s 職位名：%s 薪資：%s ''' %(company_link,companyShortName,positionName,salary)) #第七步：訪問詳情頁，拿到X_Anti_Forge_Token，X_Anti_Forge_Code # 請求url：詳情頁地址 # 請求方式：GET # 請求頭：User-Agent r7=session.get(company_link, headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', } ) X_Anti_Forge_Token = re.findall("X_Anti_Forge_Token = '(.*?)'", r7.text, re.S)[0] X_Anti_Forge_Code = re.findall("X_Anti_Forge_Code = '(.*?)'", r7.text, re.S)[0] # print(X_Anti_Forge_Token,X_Anti_Forge_Code) #第八步：投遞簡歷 #請求url：https://www.lagou.com/mycenterDelay/deliverResumeBeforce.json #請求方式：POST #請求頭： #Referer:詳情頁地址 #User-agent #X-Anit-Forge-Code:53165984 #X-Anit-Forge-Token:3b6a2f62-80f0-428b-8efb-ef72fc100d78 #X-Requested-With:XMLHttpRequest #請求體： # positionId:職位ID # type:1 # force:true session.post('https://www.lagou.com/mycenterDelay/deliverResumeBeforce.json', headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 'Referer': company_link, 'X-Anit-Forge-Code': X_Anti_Forge_Code, 'X-Anit-Forge-Token': X_Anti_Forge_Token, 'X-Requested-With': 'XMLHttpRequest' }, data={ 'positionId':positionId, 'type':1, 'force':True } ) print('%s 投遞成功' %(companyShortName))
爬取獵聘網職位信息（優化）
import re import requests session=requests.session()#可以幫助我們自動處理cookie信息，我們不用再手動穿cookie的值 # 第一步：訪問登陸頁,這里的登錄頁就是首頁 # 1、請求url:https://www.liepin.com/ # 2、請求方法:GET # 3、請求頭: # User-agent r1_url='https://www.liepin.com/' user_agent='Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36' # 第二步：登陸 # 1、請求url:https://passport.liepin.com/c/login.json?__mn__=user_login # 2、請求方法:POST # 3、請求頭: # cookie # User-agent # Referer:https://passport.liepin.com/ajaxproxy.html # X-Alt-Referer:https://www.liepin.com/ # X-Requested-With:XMLHttpRequest # 4、請求體： # user_pwd:5d353bc2f5474201c8a2f1891735999a # version: # user_login:15011316546 # chk_remember_pwd:on r2_url='https://passport.liepin.com/c/login.json?__mn__=user_login' r2_header_dict={ 'User-agent':user_agent, 'Referer':'https://passport.liepin.com/ajaxproxy.html', 'X-Alt-Referer':'https://www.liepin.com/', 'X-Requested-With':'XMLHttpRequest' } r2_form_data={ 'user_pwd':'5d353bc2f5474201c8a2f1891735999a', 'user_login':'15011316546', 'chk_remember_pwd':'on' } # 第三步：篩選職位信息 # 請求url：https://www.liepin.com/zhaopin/ # 請求方法：GET # 請求頭： # User-Agent # 請求參數： # salary:15$20 # dqs:010 # key:前台 r3_url='https://www.liepin.com/zhaopin/' r3_header_dict={ 'User-Agent':user_agent } # r3_params={ # 'salary':'10$20', # 'dqs':'010', # 'key':'前台' # } r3_params={ 'salary':'10$20', 'dqs':'070020', 'key':'Python開發' } #第四步 正則匹配 拿到頁面中所有的職位數據，寫入文件中 re_rule = 'class="icon icon-yellow-triangle".*?class="job-info".*?title="(.*?)".*?href="(.*?)".*?title="(.*?)".*?class="company-name".*?title="(.*?)".*?target="_blank">(.*?)</a>' txt = '獵聘網招聘（Python1）.txt' #封裝，便於傳參 dict={ 'r1_url':r1_url, 'user_agent':user_agent, 'r2_url':r2_url, 'r2_header_dict':r2_header_dict, 'r2_form_data':r2_form_data, 'r3_url':r3_url, 'r3_header_dict':r3_header_dict, 'r3_params':r3_params, 're_rule':re_rule, 'txt':txt } def spider(**kwargs): #第一步 r1=session.get(r1_url, headers={ 'Referer':'https://www.liepin.com/', 'User-Agent':user_agent } ) #第二步 r2=session.post(r2_url, headers=r2_header_dict, data=r2_form_data ) # 第三步3 r3=session.get( r3_url, headers=r3_header_dict, params=r3_params ) print('國內某知名投行' in r3.text) #第四步 result=re.findall(re_rule,r3.text,re.S) for i in result: a=""" 招聘職位：%s 招聘鏈接：%s 薪資及要求：%s 公司名稱：%s 公司類型：%s """%i with open(txt, 'a',encoding='UTF-8') as f: f.write(a) if __name__ == '__main__': spider(**dict)