jupyterLab学习第四天-爬取拉钩网数据代码的拆分学习

现在来学习这部分代码

def main():
    url = ' https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
    first_page = get_json(url, 1)
    total_page_count = first_page['content']['positionResult']['totalCount']
    num = get_page_num(total_page_count)
    total_info = []
    time.sleep(10)
    print("python开发相关职位总数:{},总页数为:{}".format(total_page_count, num))
    for num in range(1, num + 1):
        # 获取每一页的职位相关的信息
        page_data = get_json(url, num)  # 获取响应json
        jobs_list = page_data['content']['positionResult']['result']  # 获取每页的所有python相关的职位信息
        page_info = get_page_info(jobs_list)
        print("每一页python相关的职位信息:%s" % page_info, '

')
        total_info += page_info
        print('已经爬取到第{}页，职位总数为{}'.format(num, len(total_info)))
        time.sleep(20)
        # 将总数据转化为data frame再输出,然后在写入到csv各式的文件中
        df = pd.DataFrame(data=total_info,
                          columns=['公司全名', '公司简称', '公司规模', '融资阶段', '区域', '职位名称', '工作经验', '学历要求', '薪资', '职位福利', '经营范围',
                                   '职位类型', '公司福利', '第二职位类型', '城市'])
        df.to_csv('Python_development_engineer2.csv', index=False)
        print('python相关职位信息已保存')

爬取第一页数据时进行了网页解析，这里也接着来看

点击”预览(preview)”, 预览源代码，进而分析源代码的数据结构，如果无法通过预览查看源代码，我们也可以通过我们爬取第一页信息获取到的响应结果来分析

我们想要的数据都存储在[‘content’]里，[‘positionResult’][‘pageSize’]告诉我们每页最多15条职位信息，产品经理岗位的总体数量存储在totalCount，[‘positionResult’][‘result’]里面是每个岗位有哪些信息，可将其都打印出来，以便选择自己想要的内容。

但是因为拉勾网最多只能展示30页的数据,每页展示15条总共是450条，而这里有1357条显然是无法全部获取到的，所以我们这里要添加一个函数来判断

def get_page_num(count):
    """
    计算要抓取的页数，通过在拉勾网输入关键字信息，可以发现最多显示30页信息,每页最多显示15个职位信息
    :return:
    """
    page_num = math.ceil(count / 15)
    if page_num > 30:
        return 30
    else:
        return page_num

如果你，sum=totalCount除以15(即页数)小于30页返回总页数为sum，如果页数大于30则返回总页数为30页

Pandas DataFrame的基本属性详解