python 全栈开发，Day134(爬虫系列之第1章-requests模块)

一、爬虫系列之第1章-requests模块

爬虫简介

概述

近年来，随着网络应用的逐渐扩展和深入，如何高效的获取网上数据成为了无数公司和个人的追求，在大数据时代，谁掌握了更多的数据，谁就可以获得更高的利益，而网络爬虫是其中最为常用的一种从网上爬取数据的手段。

网络爬虫，即Web Spider，是一个很形象的名字。如果把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。网络蜘蛛是通过网页的链接地址来寻找网页的。从网站某一个页面（通常是首页）开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。如果把整个互联网当成一个网站，那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。

爬虫的价值

互联网中最有价值的便是数据，比如天猫商城的商品信息，链家网的租房信息，雪球网的证券投资信息等等，这些数据都代表了各个行业的真金白银，可以说，谁掌握了行业内的第一手数据，谁就成了整个行业的主宰，如果把整个互联网的数据比喻为一座宝藏，那我们的爬虫课程就是来教大家如何来高效地挖掘这些宝藏，掌握了爬虫技能，你就成了所有互联网信息公司幕后的老板，换言之，它们都在免费为你提供有价值的数据。

爬虫的基本流程

在爬虫的基本流程中，最难的不是解析数据，而是发送请求。为什么这么说呢？因为某些页面做了防爬虫机制，你连访问，都访问不了，那么剩下的流程就走不通了！

预备知识

http协议

HTTP请求由三部分组成，分别是：请求行，消息报头，请求正文。

HTTP响应也是由三个部分组成，分别是：状态行，消息报头，相应正文。

httpbin

如果一个人想学习爬虫技术，我会首先推荐他学会使用httpbin！

httpbin(官网|github)是一个很不错测试工具，你可以放心大胆的黑他，而不用担心他报复你。他有点像一个蜜罐，时刻等待着你的光临，然后根据你的请求，给你返回你想要的东西

直接访问页面： http://httpbin.org/get

它将你的请求信息，直接展示到页面中！

args 表示get参数

headers 表示请求头

origin 表示你所在网络运营商的公网IP地址

url 表示访问的url

带一个参数

requests模块

Requests 是使用 Apache2 Licensed 许可证的 HTTP 库。用 Python 编写，真正的为人类着想。

Python 标准库中的 urllib2 模块提供了你所需要的大多数 HTTP 功能，但是它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

在Python的世界里，事情不应该这么麻烦。

Requests 使用的是 urllib3，因此继承了它的所有特性。Requests 支持 HTTP 连接保持和连接池，支持使用 cookie 保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的 URL 和 POST 数据自动编码。现代、国际化、人性化。

（以上转自Requests官方文档）

安装

pip install requests

基本语法

requests模块支持的请求：

import requests

requests.get("http://httpbin.org/get")
requests.post("http://httpbin.org/post")
requests.put("http://httpbin.org/put")
requests.delete("http://httpbin.org/delete")
requests.head("http://httpbin.org/get")
requests.options("http://httpbin.org/get")

上面列举了几种请求方式，最常用的还是get和post

get请求

1. 基本请求

import requests
response=requests.get('https://www.jd.com/',)
 
with open("jd.html","wb") as f:
    f.write(response.content)

2. 含参数请求

import requests
response=requests.get('https://s.taobao.com/search?q=手机')
response=requests.get('https://s.taobao.com/search',params={"q":"美女"})

直接访问： https://s.taobao.com/search?q=手机

这样是没有问题，但是后面的条件是动态的。应该使用params，即使有多个参数，它会自动拼接url。

举例：

import requests

res = requests.get("https://s.taobao.com/search",
                   params={"q": "美女"},
                   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',
                   }

                   )
with open("res.html", "wb") as f:
    print(res.text)
    f.write(res.content)

使用Pycharm打开res.html，效果如下：

3. 含请求头请求

示例1：

import requests
response=requests.get('https://dig.chouti.com/',
                      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',
                              }
                      )

示例2：

import requests

res=requests.post('https://www.lagou.com/jobs/positionAjax.json',
             headers={
                    'Referer':"https://www.lagou.com/jobs/list_python",
                     '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高级开发'
             },
             params={
                 'gj': '3年及以下',
                 'px': 'default',
                 'yx': '25k-50k',
                 'city': '北京',
                 'needAddtionalResult': False,
                 'isSchoolJob': 0
             }
             )

comapines_list=res.json()

print(comapines_list)

View Code

4. 含cookies请求

import uuid
import requests
 
url = 'http://httpbin.org/cookies'
cookies = dict(sbid=str(uuid.uuid4()))
 
res = requests.get(url, cookies=cookies)
print(res.json())

等同于，下面的代码

import uuid
import requests

url = 'http://httpbin.org/cookies'
cookies = {"sbid":str(uuid.uuid4())}

res = requests.get(url, cookies=cookies)
print(res.json())

执行输出：

{'cookies': {'sbid': 'f51b0553-2fdc-49ee-a52d-f6fb7472d9ac'}}

比如某些网站，需要携带cookie，否则就拦截！

5. request.session()

import requests

# res=requests.get("https://www.zhihu.com/explore")
# print(res.cookies.get_dict())

session = requests.session()
res1 = session.get("https://www.zhihu.com/explore")
print(session.cookies.get_dict())
res2 = session.get("https://www.zhihu.com/question/30565354/answer/463324517", cookies={"abs": "123"})

举例：

import requests

res = requests.get("https://www.zhihu.com/explore")
print(res.cookies.get_dict())  # 查看响应体携带的cookie

执行输出：

{'_xsrf': 'QHfkaGFpX6OxaDGFcyJq8IeaEJWyYlDz', 'tgw_l7_route': '29b95235203ffc15742abb84032d7e75'}

比如一个网站，有3个页面，分别是a，b，c。

访问a时，响应返回 cookie为1。访问b时，响应返回 cookie为2。

当访问c时，必须要同时具有cookie为1和2的记录。否则拦截掉！

也就是说：必须要先访问a，b之后，才能访问c。

那么这个session的作用在于，每次访问的网页，只要响应信息，携带了cookie。它就会存储到session对象中！

那么我们使用下面的代码，就可以访问c页面了

import requests

session = requests.session()
res1 = session.get("https://www.xx.com/a")
res2 = session.get("https://www.xx.com/b")
res3 = session.get("https://www.xx.com/c")
print(session.cookies.get_dict())

post请求

1. data参数

requests.post()用法与requests.get()完全一致，特殊的是requests.post()多了一个data参数，用来存放请求体数据

response=requests.post("http://httpbin.org/post",params={"a":"10"}, data={"name":"yuan"})

举例：

直接访问post页面，是被拦截的。因为浏览器访问是get请求

使用post访问访问

import requests

res2 = requests.post(url='http://httpbin.org/post',headers={},cookies={},params={'a': "1"},data={"a":1234})
print(res2.text)

执行输出：

{
  "args": {
    "a": "1"
  }, 
  "data": "", 
  "files": {}, 
  "form": {
    "a": "1234"
  }, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Content-Length": "6", 
    "Content-Type": "application/x-www-form-urlencoded", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.19.1"
  }, 
  "json": null, 
  "origin": "223.72.99.154", 
  "url": "http://httpbin.org/post?a=1"
}

View Code

data为什么是空的呢？

是因为content-type，上面的代码，默认的请求头是:application/x-www-form-urlencoded，它只会放到form里面

如果要data里面有数据，必须是application/json才行！

2. 发送json数据

import requests
res1 = requests.post(url='http://httpbin.org/post',
                     data={'name': 'yuan'})  # 没有指定请求头,#默认的请求头:application/x-www-form-urlencoed
print(res1.json())

res2 = requests.post(url='http://httpbin.org/post', json={'age': "22", })  # 默认的请求头:application/json)
print(res2.json())

举例：

import requests
res2 = requests.post(url='http://httpbin.org/post', json={'age': "22", })  # 默认的请求头:application/json)
print(res2.text)

执行输出：

{
  "args": {}, 
  "data": "{"age": "22"}", 
  "files": {}, 
  "form": {}, 
  "headers": {
    "Accept": "*/*", 
    "Accept-Encoding": "gzip, deflate", 
    "Connection": "close", 
    "Content-Length": "13", 
    "Content-Type": "application/json", 
    "Host": "httpbin.org", 
    "User-Agent": "python-requests/2.19.1"
  }, 
  "json": {
    "age": "22"
  }, 
  "origin": "223.72.100.198", 
  "url": "http://httpbin.org/post"
}

View Code

data里面，就有数据了！

json={'age': "22", } 这句代码，它做了2件事情。

1. 指定content-type 为 application/json

2. 对数据做json序列化

response对象

(1) 常见属性

import requests
respone=requests.get('https://sh.lianjia.com/ershoufang/')
# respone属性
print(respone.text)
print(respone.content)
print(respone.status_code)
print(respone.headers)
print(respone.cookies)
print(respone.cookies.get_dict())
print(respone.cookies.items())
print(respone.url)
print(respone.history)
print(respone.encoding)

举例1：

import requests
response = requests.get('https://www.jd.com')
print(response)

执行输出：

<Response [200]>

它返回的是一个 Response对象

举例2：

import requests
response = requests.get('https://www.jd.com')
print(response.status_code)

执行输出：200

举例3：

import requests
response = requests.get('https://www.jd.com')
print(response.url)

执行输出： https://www.jd.com/

举例4：

import requests
response = requests.get('https://www.jd.com')
print(response.text)
print(type(response.text))  # str

执行输出：

<!DOCTYPE HTML>
<html lang="zh-CN">
<head>
  <meta charset="UTF-8">
  <title>京东(JD.COM)-正品低价、品质保障、配送及时、轻松购物！</title>
  ...

</body>
</html>

<class 'str'>

可以发现，response.text 它是一个字符串

从网络接收过来的，一定是字节流。response.text 将它转化成了字符串！

举例5：

import requests
response = requests.get('https://www.jd.com')
print(response.encoding)  # utf-8，目标网站编码

执行输出：utf-8

不是所有网站都是utf-8，比如汽车之家

import requests
response = requests.get('https://www.autohome.com.cn/beijing/')
print(response.encoding)  # gb2312

执行输出：gb2312

它的网站编码是使用gb2312的！那么我们保持这个网站时，必须使用gb2312编码，否则数据是乱码的！

举例6:

import requests
response = requests.get('https://www.jd.com/')
print(response.content)  # 源数据(字节流)

执行输出：

b'<!DOCTYPE HTML>
<html lang="zh-CN">
<head>
 ... </body>
</html>
'

它返回的是字节流，不存在于编码问题！

举例7:

import requests
response = requests.get('https://www.jd.com/')

with open("jd.html","w") as f:
    f.write(response.text)

执行输出：

UnicodeEncodeError: 'gbk' codec can't encode character 'ue600' in position 79125: illegal multibyte sequence

为什么会报错呢？

因为with open调用的是windows系统默认的编码，它的编码是gbk。而jd.com使用的是utf-8编码！

所以在使用gbk保存时，会报错！

所以，为了解决这个问题。with open必须指定编码为utf-8

import requests
response = requests.get('https://www.jd.com/')

with open("jd.html","w",encoding="utf-8") as f:
    f.write(response.text)

再次执行，就不会报错了！

使用Pycharm打开本地的jd.html，效果和官网是一摸一样的！

举例8：

比如访问一个网站，可能会有301跳转

比如访问，链接网的二手房信息

使用http访问

http://bj.lianjia.com/ershoufang/

会跳转到https页面

https://bj.lianjia.com/ershoufang/

举例：

import requests
res = requests.get("http://bj.lianjia.com/ershoufang/")print(res.history[0].url)
print(res.url)

执行输出：

http://bj.lianjia.com/ershoufang/
https://bj.lianjia.com/ershoufang/

那么通过histroy，就可以得到访问历史了！它能得到重定向之前的url

(2) 编码问题

import requests
response=requests.get('http://www.autohome.com/news')
#response.encoding='gb2312' #汽车之家网站返回的页面内容为gb2312编码的，而requests的默认编码为ISO-8859-1，如果不设置成gbk则中文乱码
with open("res.html","w") as f:
    f.write(response.text)

执行报错：

UnicodeEncodeError: 'gbk' codec can't encode character 'xa1' in position 76: illegal multibyte sequence

更改代码

import requests
response=requests.get('http://www.autohome.com/news')
response.encoding='gbk' #汽车之家网站返回的页面内容为gb2312编码的，而requests的默认编码为ISO-8859-1，如果不设置成gbk则中文乱码
with open("res.html","w") as f:
    f.write(response.text)

执行代码，打开res.html，效果如下：

图片加载不出来，是因为做了防爬机制！

(3) 下载二进制文件（图片，视频，音频）

import requests
response=requests.get('http://bangimg1.dahe.cn/forum/201612/10/200447p36yk96im76vatyk.jpg')
with open("res.png","wb") as f:
    # f.write(response.content) # 比如下载视频时,如果视频100G,用response.content然后一下子写到文件中是不合理的
    for line in response.iter_content():
        f.write(line)

图片，视频，音频。都是二进制文件，必须使用wb模式写入。

response.iter_content() 表示，将响应体转换为迭代器。这样可以节省内存！缓解服务器压力！

(4) 解析json数据　

import requests
import json
 
response=requests.get('http://httpbin.org/get')
res1=json.loads(response.text) #太麻烦
res2=response.json() #直接获取json数据
print(res1==res2)

(5) Redirection and History

默认情况下，除了 HEAD, Requests 会自动处理所有重定向。可以使用响应对象的 history 方法来追踪重定向。Response.history 是一个 Response 对象的列表，为了完成请求而创建了这些对象。这个对象列表按照从最老到最近的请求进行排序。

>>> r = requests.get('http://github.com')
>>> r.url
'https://github.com/'
>>> r.status_code
200
>>> r.history
[<Response [301]>]

另外，还可以通过 allow_redirects 参数禁用重定向处理：

>>> r = requests.get('http://github.com', allow_redirects=False)
>>> r.status_code
301
>>> r.history
[]

最简单的防爬机制

一般网站，最简单的防爬虫机制，就是判断user-agent是否存在。不存在，则认为是恶意访问，比如爬虫。它会拦截掉，返回一个错误页面！

举例：

比如，直接访问：抽屉热搜

import requests
res = requests.get("https://dig.chouti.com/")
with open("res.html","wb") as f:
    f.write(res.content)

使用Pycharm打开res.html，效果如下：

加一个user-agent就可以解决

import requests
res = requests.get("https://dig.chouti.com/",
             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',
             },)
with open("res.html","wb") as f:
    f.write(res.content)

使用Pycharm打开res.html，效果如下：

DRF为什么应用广泛

因为收，iPad，PC携带的user-agent是不一样的！前端根据不同的user-agent，返回不同的页面！

而后端API，针对同一个功能，返回的数据是统一的。

比如，访问jd.com，可以使用iPhone X访问

刷新页面，它会自动跳转到 m.jd.com

它的user-agent也变动了

应用案例

1、模拟GitHub登录，获取登录信息

import requests
import re

#请求1:
r1=requests.get('https://github.com/login')
r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
print("authenticity_token",authenticity_token)
#第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
data={
    'commit':'Sign in',
    'utf8':'✓',
    'authenticity_token':authenticity_token,
    'login':'xx@xx.com',
    'password':'xx'
}

#请求2:
r2=requests.post('https://github.com/session',
             data=data,
             cookies=r1_cookie,
             # allow_redirects=False
             )
print(r2.status_code)      #200
print(r2.url)              #看到的是跳转后的页面:https://github.com/
print(r2.history)          #看到的是跳转前的response:[<Response [302]>]
print(r2.history[0].text)  #看到的是跳转前的response.text

with open("result.html","wb") as f:

    f.write(r2.content)

View Code

步骤解析

如果不登录，直接访问： https://github.com/

网页会提示，让你登录！

点击sign in，进入登录页面

登录成功之后，跳转到首页：https://github.com/

现在需要爬取页面：https://github.com/

那么直接用requests模块，访问 https://github.com/，是没有意义的！它肯定会拦截！

我们需要模拟输入用户名和密码，点击 siin in按钮，进入首页的整个过程！

打开浏览器工具-->network，点击preserve log(保存记录)。

为什么要勾选这个呢？

因为登录之后，页面会刷新一次。所以network中的记录会被重新覆盖，那么我需要得到刷次之前的记录呢？

启用 preserve log，就可以看到了！

退出github账号，进入登录页面。打开浏览器工具，重新登录一次。查看network信息

这里面的 https://github.com/session，就是提交地址

再看响应信息中的Localtion，这就是调整地址。也就是首页！

综上所述，我们就可以得出结论了！

模拟github登录示例

1. get 请求访问 https://github.com/login
2. post请求访问 https://github.com/session
3. get 请求访问 https://github.com/

正常登录，就是这3个过程！

有没有必要，从第一个位置，发送请求？

如果直接从第二步开始，能访问到第三步，说明这样做可以。否则不可以！

测试一下吧，先来看From Data

它需要5个参数。密码是明文的，好吧，先不管它！

这3个，是干啥的呢？不管它，直接复制一下

因为是form表单，需要使用data参数。

import requests

session = requests.session()
res = requests.post("https://github.com/session",
                    data={
                        'commit': 'Sign in',
                        'utf8': '✓',
                        'authenticity_token': "u89SiiF6aFWFHSOboNVn8w/hbHQIcu0AeoJUTR+OLRP01noYZiCbpJL8E7rex29S5AkJz+w+Te47NC1PwjtXaA==",
                        'login': 'xx@xx.com',
                        'password': 'xx'
                    })

with open("res.html","wb") as f:
    f.write(res.content)

View Code

注意：需要改为自己的github账户

运行之后，使用Pycharm打开res.html，效果如下：

它提示访问非法，说明它已经知道你在爬取了！

怎么办呢？再加一个user-agent和Referer

修改代码

import requests

session = requests.session()
res = requests.post("https://github.com/session",
                    headers={
                        "Referer":"https://github.com/login",
                        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"
                    },
                    data={
                        'commit': 'Sign in',
                        'utf8': '✓',
                        'authenticity_token': "u89SiiF6aFWFHSOboNVn8w/hbHQIcu0AeoJUTR+OLRP01noYZiCbpJL8E7rex29S5AkJz+w+Te47NC1PwjtXaA==",
                        'login': 'xx@xx.com',
                        'password': 'xx'
                    })

with open("res.html","wb") as f:
    f.write(res.content)

View Code

执行代码，再次访问res.html。效果还是一样的！

既然请求头没有问题，那么就是数据有问题了！

打开login页面，搜索关键字 authenticity_token

刷新页面，再次查看

可以发现，它每次是不一样的！

注意：这个authenticity_token不是固定死的。每次访问页面，都是不一样的！

它和django的csrf组件，是一样的效果！

那么就卡在 token了。
只能往上推了，那就是登陆页面。

现在需要使用第一步了，必须找到token值

第一次请求：获取authenticity_token
第二次请求：模拟登录，成功重定向

获取authenticity_token

因为在页面上面，需要使用re模块来匹配

import requests
import re

r1=requests.get('https://github.com/login')
r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
print(authenticity_token)

执行输出：

hLpkfrH6C3kyxB5CXj5adhE0hNOJzmFa4Z++y6Et6+POSA3bw4bsBy/jfp/LFawCch6oWNEZxBF3sKjpw2oFig==

最终代码

import requests
import re

session = requests.session()
#请求1:
r1=requests.get('https://github.com/login')
r1_cookie=r1.cookies.get_dict() #拿到初始cookie(未被授权)
authenticity_token=re.findall(r'name="authenticity_token".*?value="(.*?)"',r1.text)[0] #从页面中拿到CSRF TOKEN
print(authenticity_token)
#第二次请求：带着初始cookie和TOKEN发送POST请求给登录页面，带上账号密码
res = requests.post("https://github.com/session",
                    headers={
                        "Referer":"https://github.com/login",
                        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36"
                    },
                    data={
                        'commit': 'Sign in',
                        'utf8': '✓',
                        'authenticity_token': authenticity_token,
                        'login': 'xx@xx.com',
                        'password': 'xx'
                    },cookies=r1_cookie,)

with open("res.html","wb") as f:
    f.write(res.content)

View Code

效果如下：

这个，才是真正的首页

2、爬取豆瓣电影信息

import requests

import re
import json
import time
from concurrent.futures import ThreadPoolExecutor
pool=ThreadPoolExecutor(50)

def getPage(url):

    response=requests.get(url)
    return response.text

def parsePage(res):

    com=re.compile('<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>d+).*?<span class="title">(?P<title>.*?)</span>'
                   '.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>',re.S)

    iter_result=com.finditer(res)

    return iter_result

def gen_movie_info(iter_result):
    for i in iter_result:
        yield {
            "id":i.group("id"),
            "title":i.group("title"),
            "rating_num":i.group("rating_num"),
            "comment_num":i.group("comment_num"),
        }

def stored(gen):
        with open("move_info.txt","a",encoding="utf8") as f:
            for line in gen:
                data=json.dumps(line,ensure_ascii=False)
                f.write(data+"
")


def spider_movie_info(url):
    res=getPage(url)
    iter_result=parsePage(res)
    gen=gen_movie_info(iter_result)
    stored(gen)

def main(num):

    url='https://movie.douban.com/top250?start=%s&filter='%num
    pool.submit(spider_movie_info,url)
    #spider_movie_info(url)


if __name__ == '__main__':
    before=time.time()
    count=0
    for i in range(10):
        main(count)
        count+=25
    after=time.time()

    print("总共耗费时间：",after-before)

View Code

今日作业

1. 爬取拉钩python的所有职位信息，爬取3页即可！(有一个隐藏的反扒机制)

2. 爬取链家二手房源信息，爬取3页即可！

本文参考链接：

https://www.cnblogs.com/yuanchenqi/articles/9449430.html

作业解析

拉钩

1. 爬取拉钩python的所有职位信息

打开拉勾网，打开浏览器工具，输入pythton，点击搜索

网页链接是这个

https://www.lagou.com/jobs/list_python?px=default&city=全国#filterBox

打开浏览器工具-->Network-->XHR

查看第一个链接，点击Preview，它返回的是一个json数据。

将数据一点点展开，result就是我们要的数据了

查看请求方式

查看请求参数

pn：表示分页数，kd：表示搜索关键字

接下来，就可以直接上代码了

import requests

res = requests.post('https://www.lagou.com/jobs/positionAjax.json',
                    headers={
                        'Referer': "https://www.lagou.com/jobs/list_python",
                        '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': 1,  # 页码
                        'kd': 'python'  # 关键字
                    },
                    params={
                        'px': 'default',
                        'city': '全国',
                        'needAddtionalResult': False,
                    }
                    )

with open("lianjia.txt", "a", encoding="utf-8") as f:
    f.write(res.text + "
")

View Code

参数解释：

我们要请求的地址是

也就是这个

https://www.lagou.com/jobs/positionAjax.json?px=default&needAddtionalResult=false

因此，params参数，指定了参数px和needAddtionalResult

还有一个参数city，是从页面中获取的

https://www.lagou.com/jobs/list_python?px=default&city=全国#filterBox

headers指定了2个参数，Referer和User-Agent，是从这里获取的

Referer 直接写前半段就可以了，后面的参数可以不要！

执行程序，查看lianjia.txt，它存储的就是一段json

再新建一个py文件，单独处理文件操作

import json

with open('lianjia.txt', encoding="utf-8") as f:
    for line in f:
        dic = json.loads(line)
        for i in dic.get('content').get('positionResult').get('result'):
            print(i.get('positionName'), i.get('city'), i.get('createTime'), i.get('salary'), i.get('workYear'),
                  i.get('education'), i.get('companyShortName'))

View Code

执行输出：

Python开发 上海 2018-09-26 14:43:36 13k-26k 3-5年 大专 德邦
...

将这2段代码，结合到一个py文件，最终代码如下：

import requests
import time
import json

page = [x for x in range(1, 4)]  # 只爬取3页
for i in page:
    res=requests.post('https://www.lagou.com/jobs/positionAjax.json',
                 headers={
                        'Referer':"https://www.lagou.com/jobs/list_python",
                         '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':i,  # 页码
                     'kd':'python'  # 关键字
                 },
                 params={
                     'px': 'default',
                     'city': '全国',
                     'needAddtionalResult': False,
                 }
                 )

    with open("lianjia.txt","a",encoding="utf-8") as f:
        f.write(res.text+"
")

    time.sleep(5)


with open('lianjia.txt', encoding="utf-8") as f:
    for line in f:
        dic = json.loads(line)
        for i in dic.get('content').get('positionResult').get('result'):
            print(i.get('positionName'), i.get('city'), i.get('createTime'), i.get('salary'), i.get('workYear'),
                  i.get('education'), i.get('companyShortName'))

View Code

执行输出：

Python开发 上海 2018-09-26 14:43:36 13k-26k 3-5年 大专 德邦
...

拉钩网的防爬机制，不能访问的太频繁。否则会封锁IP，这里我暂停了5秒

还有一种升级方案，使用session访问，它是没有做限制的！

import requests
import time
import json

page = [x for x in range(1, 4)]  # 只爬取3页
for i in page:
    session = requests.session()
    session.get("https://www.lagou.com/")
    session.get("https://www.lagou.com/jobs/list_python")
    res=session.post('https://www.lagou.com/jobs/positionAjax.json',
                 headers={
                        'Referer':"https://www.lagou.com/jobs/list_python",
                         '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':i,  # 页码
                     'kd':'python'  # 关键字
                 },
                 params={
                     # 'gj': '3年及以下',
                     'px': 'default',
                     # 'yx': '25k-50k',
                     'city': '北京',
                     'needAddtionalResult': False,
                     # 'isSchoolJob': 0
                 }
                 )

    with open("lianjia.txt","a",encoding="utf-8") as f:
        f.write(res.text+"
")

    # time.sleep(5)

with open('lianjia.txt', encoding="utf-8") as f:
    for line in f:
        dic = json.loads(line)
        for i in dic.get('content').get('positionResult').get('result'):
            print(i.get('positionName'), i.get('city'), i.get('createTime'), i.get('salary'), i.get('workYear'),
                  i.get('education'), i.get('companyShortName'))

View Code

执行脚本，效果同上！

链家

2. 爬取链家二手房源信息

这个网站，几乎没有XHR请求。无法直接得到我们想要的信息！它的信息，直接渲染到页面上了。

所以要获取房源信息，只有2个途径

1. 使用正则匹配

2. 使用模块或者框架解析html，比如BS和Xpath模块，还有scrapy

正则玩的不够6，模块和框架不会！。。。