博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
python 爬虫之爬取大街网(思路)
阅读量:5878 次
发布时间:2019-06-19

本文共 4487 字,大约阅读时间需要 14 分钟。

由于需要,本人需要对大街网招聘信息进行分析,故写了个爬虫进行爬取。这里我将记录一下,本人爬取大街网的思路。

附:爬取得数据仅供自己分析所用,并未用作其它用途。  

附:本篇适合有一定 爬虫基础 crawler 观看,有什么没搞明白的,欢迎大家留言,或者私信博主。

 

首先,打开目标网址 ,在职位搜索中 输入所需职业或关键信息 (我这演示的是 程序员),然后可得到新的链接地址 

我们可以看到 ,数据的排序方式有2种,一种是 默认 ,一种是 时间 ,当你点击的时候你可以看到 数据的排序方式发生了变化,但是网页链接却没有变化,而且点击 下一页 的时候页面的链接也没有发生变化,其原因是 当你对其操作时,它通过

JS获取ajax数据进行变换填充,所以如果你要获取所需数据,你只能通过获取其ajax数据。(当然还有模拟JS渲染,得到页面,我没有尝试过,这里也不做多述)

 

那么如何获取到其数据呢?

当你单击 下一页 等操作时,通过抓包(XHR中)可以查看到ajax数据的来源,查看的时候可以看到其返回的是200(所需的数据),但当你在新的页面打开时,却发现返回的是299,不是你想要的结果。如一下这个链接就是对其进行时间排序所得

的ajax(https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

但是如果你是单独打开它的时候,它返回的是一个错误的页面,这应该是 大街网 反爬虫的一种手段。  

 

找到了返回的ajax地址链接,我们该如何正确的打开这个链接呢?

当我们打开这个 链接时()会发现服务器端回返回一个 Cookie

因此 当你访问 (https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

链接时,你必须要传入服务器返回的cookie 才能够获取到正确的结果。

 

下面附上本人写的代码,仅供参考。

其中需要注意的是:这些代码仅提供一个思路,里面的很多变量、类都是我项目里面的。

这里统一做一下解释

#from myproject.dajie import Jobs, IpAgentPool   指引入 Ip 池,Jobs所需要爬取得 关键字集合.(下面演示时用不到的) #from myproject import agentPool          引入 Agent池, 用作伪装浏览器使用
1 from myproject.dajie import Jobs, IpAgentPool 2 from myproject import agentPool 3 import http.cookiejar 4 import urllib.request 5 import urllib.parse 6 import random 7 import re 8 #import pymssql 9 10 class dj():11 12     def __init__(self):13         # -----BASEURL  为目标网站的URL14         # -----ToSearchJob  为需要搜寻的工作15         # -----Agent  为Agent池,用于伪装浏览器16         # -----opener 为自己建造的一个opener,配合cookiejar可用于存储cookies17         def Myopener(self):18                 cookie = http.cookiejar.CookieJar()19                 return urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))20 21         self.BASEURL = "https://www.dajie.com/"22         # self.ToSearchJob=Jobs.TheJobNeedToSearch23         self.AgentPool = agentPool.userAgent24         self.IpPool = IpAgentPool.ipPool25 26         self.opener = Myopener(self=self)27 28         pass29 30     def getContext(self):31         url="https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"32 33         header=\34             {35                 "User-Agent":agentPool.userAgent[int(random.random()*4)],36                 "Referer":"https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"37             }38 39         head=[]40 41         for key,value in header.items():42             head.append((key,value))43 44         self.opener.addheaders=head45 46         #session_cookie用于保存服务器返回的cookie,并将其保存47         #48         #其实只需要保存  session_cookie["SO_COOKIE_V2"]  即可,其余的是多余的。服务器在进行验证的时候,只会验证 SO_COOKIE_V249         #50         session_cookie={}51         session=self.opener.open("https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job")52         print((session.info()))53 54         session_cookie["DJ_RF"]= re.findall(r"DJ_RF=.+?;",str(session.info()))[0].split("=")[1]55         session_cookie["DJ_EU"]=re.findall(r"DJ_EU=.+?;",str(session.info()))[0].split("=")[1]56         session_cookie["DJ_UVID"] = re.findall(r"DJ_UVID=.+?;", str(session.info()))[0].split("=")[1]57         session_cookie["SO_COOKIE_V2"] = re.findall(r"SO_COOKIE_V2=.+?;", str(session.info()))[0].split("=")[1]58 59         #data 包含的是所需要传入的 cookie60         data=\61             {62                 "DJ_RF":session_cookie["DJ_RF"].strip(";"),63                 "DJ_EU":session_cookie["DJ_EU"].strip(";"),64                 "DJ_UVID":session_cookie["DJ_UVID"].strip(";"),65                 "SO_COOKIE_V2":session_cookie["SO_COOKIE_V2"].strip(";"),66                 "__login_tips":1,67             }68         #将 数据解析为传入数据的格式69         _data=urllib.parse.urlencode(data,"utf-8")70         print("______________")71         print(_data)72         #73         #_url 指的是ajax的链接地址74         _url="https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1"75         req=self.opener.open(_url,data=_data.encode("utf-8"))76 77         print("-----------------")78         print(req.read().decode("utf-8"))79 80         #print(req.read().decode("utf-8"))81 82 83 84 if __name__=="__main__":85     _dj=dj()86     _dj.getContext()
View Code

最后附上运行结果的截图

                     

 

转载于:https://www.cnblogs.com/one-lightyear/p/6833545.html

你可能感兴趣的文章
jmeter插件之jsonpath提取响应结果和做断言
查看>>
发布支持多线程的PowerShell模块 —— MultiThreadTaskRunner
查看>>
Ubuntu ctrl+alt会导致窗口还原的问题
查看>>
第四十期百度技术沙龙笔记整理
查看>>
推荐系统那点事 —— 基于Spark MLlib的特征选择
查看>>
linux 下RTL8723/RTL8188调试记录(命令行)【转】
查看>>
開始新的征程
查看>>
SpringMVC案例1——对User表进行CRUD操作
查看>>
看雪CTF第十四题
查看>>
模拟生命_吸烟致癌?
查看>>
[Contiki系列论文之1]Contiki——为微传感器网络而生的轻量级的、灵活的操作系统...
查看>>
Android 网络编程 记录
查看>>
微软同步发行Windows 10和Windows 10 Mobile系统更新
查看>>
Maven 传递依赖冲突解决(了解)
查看>>
Zeppelin的入门使用系列之使用Zeppelin运行shell命令(二)
查看>>
[Spark][Python]Spark Join 小例子
查看>>
form表单下的button按钮会自动提交表单的问题
查看>>
大战设计模式【11】—— 模板方法模式
查看>>
springBoot介绍
查看>>
Intellij IDEA 快捷键整理
查看>>