拉勾网是目前为止遇到的反爬最强的网站之一。
这里采用的是谷歌浏览器。
第一步
打开拉勾网,检查,输入java,找到如下图所示的地方。
第二步
找到
以及等会要用的cookie,这里你如果直接用下面这个cookie,你会被反爬的。
所以需要去尝试其他的cookie,让拉勾网认为你是第一次上这个网站。
第三步
清除浏览器缓存再去Headers里面你会找到多个cookie值,一个个的试试,我这儿是最后一个可以。
第四步
找到from data,里面的first第一页是true,后面的都是false
第五步
代码如下:
import requests
import time
def request_list_page():
sid = ""
# 获取所有的cookies
cookie_response = requests.get('https://www.lagou.com/jobs/list_java?labelWords=&fromSearch=true&suginput=',
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36'})
print(cookie_response.cookies)
# 遍历前20页,提取出前20页数据
for page in range(1,20):
url = "https://www.lagou.com/jobs/positionAjax.json?city=%E6%AD%A6%E6%B1%89&needAddtionalResult=false"
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36',
'referer':'https://www.lagou.com/jobs/list_python%E7%88%AC%E8%99%AB?labelWords=&fromSearch=true&suginput='
}
if page == 1:
data = {
'first': 'true',
'pn':'1',
'kd': 'java'
}
else:
data = {
'first': 'false',
'pn': str(page),
'kd': 'java',
'sid':sid
}
#获取cookies
if page % 4 ==0:
cookie_response = requests.get('https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36'})
print(cookie_response.cookies)
time.sleep(3)
response = requests.post(url=url, headers=headers,cookies=cookie_response.cookies,data=data)
res = response.json()
result = res['content']['positionResult']['result']
for r in result:
d = {
'city': r['city'],
'companyFullName': r['companyFullName'],
'companySize': r['companySize'],
'education': r['education'],
'positionName': r['positionName'],
'salary': r['salary'],
'workYear': r['workYear']
}
print(d)
with open('lagou.csv',mode='a+',encoding="utf-8") as f:
f.write(",".join(list(d.values())))
f.write('\n')
def main():
request_list_page()
if __name__ == "__main__":
main()