Python爬虫基础教程，手把手教你爬取拉勾网！

　　一、思路分析：
　　
　　在之前写拉勾网的爬虫的时候，总是得到下面这个结果（真是头疼），当你看到下面这个结果的时候，也就意味着被反爬了，因为一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会禁止这个IP的访问： 对于拉勾网，我们要找到职位信息的ajax接口倒是不难（如下图），问题是怎么不得到上面的结果。 要想我们的爬虫不被检测出来，我们可以使用代理IP，而网上有很多提供免费代理的网站，比如西刺代理、快代理、89免费代理等等，我们可以爬取一些免费的代理然后搭建我们的代理池，使用的时候直接从里面进行调用就好了。然后通过观察可以发现，拉勾网最多显示30页职位信息，一页显示15条，也就是说最多显示450条职位信息。在ajax接口返回的结果中可以看到有一个totalCount字段，而这个字段表示的就是查询结果的数量，获取到这个值之后就能知道总共有多少页职位信息了。对于爬取下来的结果，保存在MongoDB数据库中。
　　
　　二、主要代码：
　　
　　proxies.py（爬取免费代理并验证其可用性，然后生成代理池）
　　
　　import requests
　　
　　import re
　　
　　class Proxies:
　　
　　def __init__(self):
　　
　　self.proxy_list = []
　　
　　self.headers = {
　　
　　"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
　　
　　"Chrome/45.0.2454.101 Safari/537.36",
　　
　　'Accept-Encoding': 'gzip, deflate, sdch',
　　
　　}
　　
　　'''
　　
　　在学习过程中有什么不懂得可以加我的python学习交流扣扣qun，934109170，群里有不错的学习教程与开发工具。
　　
　　'''
　　
　　# 爬取西刺代理的国内高匿代理
　　
　　def get_proxy_nn(self):
　　
　　proxy_list = []
　　
　　res = requests.get("http://www.xicidaili.com/nn", headers=self.headers)
　　
　　ip_list = re.findall('<td>(\d+\.\d+\.\d+\.\d+)</td>', res.text)
　　
　　port_list = re.findall('<td>(\d+)</td>', res.text)
　　
　　for ip, port in zip(ip_list, port_list):
　　
　　proxy_list.append(ip + ":" + port)
　　
　　return proxy_list
　　
　　# 验证代理是否能用
　　
　　def verify_proxy(self, proxy_list):
　　
　　for proxy in proxy_list:
　　
　　proxies = {
　　
　　"http": proxy
　　
　　}
　　
　　try:
　　
　　if requests.get('http://www.baidu.com', proxies=proxies, timeout=2).status_code == 200:
　　
　　print('success %s' % proxy)
　　
　　if proxy not in self.proxy_list:
　　
　　self.proxy_list.append(proxy)
　　
　　except:
　　
　　print('fail %s' % proxy)
　　
　　# 保存到proxies.txt里
　　
　　def save_proxy(self):
　　
　　# 验证代理池中的IP是否可用
　　
　　print("开始清洗代理池...")
　　
　　with open("proxies.txt", 'r', encoding="utf-8") as f:
　　
　　txt = f.read()
　　
　　# 判断代理池是否为空
　　
　　if txt != '':
　　
　　self.verify_proxy(txt.strip().split('\n'))
　　
　　else:
　　
　　print("代理池为空！\n")
　　
　　print("开始存入代理池...")
　　
　　# 把可用的代理添加到代理池中
　　
　　with open("proxies.txt", 'w', encoding="utf-8") as f:
　　
　　for proxy in self.proxy_list:
　　
　　f.write(proxy + "\n")
　　
　　if __name__ == '__main__':
　　
　　p = Proxies()
　　
　　results = p.get_proxy_nn()
　　
　　print("爬取到的代理数量", len(results))
　　
　　print("开始验证：")
　　
　　p.verify_proxy(results)
　　
　　print("验证完毕：www.xcdeyiju.com ")
　　
　　print("可用代理数量：", len(p.proxy_list))
　　
　　p.save_proxy()
　　
　　在middlewares.py中添加如下代码：
　　
　　class LaGouProxyMiddleWare(object):
　　
　　def process_request(self, request, spider):
　　
　　import random
　　
　　import requests
　　
　　with open("具体路径\proxies.txt", 'r', encoding="utf-8") as f:
　　
　　txt = f.read()
　　
　　proxy = ""
　　
　　flag = 0
　　
　　for i in range(10):
　　
　　proxy = random.choice(txt.split('\n'))
　　
　　proxies = {
　　
　　"http": proxy
　　
　　}
　　
　　if requests.get('http://www.yuchengyule.com ', proxies=proxies, timeout=2).status_code == 200:
　　
　　flag = 1
　　
　　break
　　
　　if proxy != "" and flag:
　　
　　print("Request proxy is {}".format(proxy))
　　
　　request.meta["proxy"] = "http://www.yifayuled.cn" + proxy
　　
　　else:
　　
　　print("没有可用的IP！")
　　
　　然后还要在settings.py中添加如下代码，这样就能使用代理IP了：
　　
　　1 SPIDER_MIDDLEWARES = {
　　
　　2 'LaGou.middlewares.LaGouProxyMiddleWare': 543,
　　
　　3 }
　　
　　在item.py中添加如下代码：
　　
　　import scrapy
　　
　　class LaGouItem(scrapy.Item):
　　
　　city = scrapy.Field() # 城市
　　
　　salary = scrapy.Field() # 薪水
　　
　　position = scrapy.Field() # 职位
　　
　　education = scrapy.Field() # 学历要求
　　
　　company_name = scrapy.Field() # 公司名称
　　
　　company_size = scrapy.Field() # 公司规模
　　
　　finance_stage = scrapy.Field(www.baiyidLu.com) # 融资阶段
　　
　　在pipeline.py中添加如下代码：
　　
　　import pymongo
　　
　　class LaGouPipeline(object):
　　
　　def __init__(self):
　　
　　conn = pymongo.MongoClient(host="127.0.0.1", port=27017)
　　
　　self.col = conn['Spider'].LaGou
　　
　　def process_item(self, item, spider):
　　
　　self.col.insert(dict(item))
　　
　　return item
　　
　　在spiders文件夹下新建一个spider.py，代码如下：
　　
　　import json
　　
　　import scrapy
　　
　　import codecs
　　
　　import requests
　　
　　from time import sleep
　　
　　from LaGou.items import LaGouItem
　　
　　class LaGouSpider(www.chaoyuepint.com scrapy.Spider):
　　
　　name = "LaGouSpider"
　　
　　def start_requests(self):
　　
　　# city = input("请输入城市：")
　　
　　# position = input("请输入职位方向：")
　　
　　city = "上海"
　　
　　position = "python"
　　
　　url = "https://www.lagou.com/jobs/positionAjax.json?px=default&needAddtionalResult=false&city={}".format(city)
　　
　　headers = {
　　
　　"Referer": "https://www.lagou.com/jobs/list_{}?city={}&cl=false&fromSearch=true&labelWords=&suginput=".format(codecs.encode(position, 'utf-8'), codecs.encode(city, 'utf-8')),
　　
　　"Cookie": "_ga=GA1.2.2138387296.1533785827; user_trace_token=20180809113708-7e257026-9b85-11e8-b9bb-525400f775ce; LGUID=20180809113708-7e25732e-9b85-11e8-b9bb-525400f775ce; index_location_city=%E6%AD%A6%E6%B1%89; LGSID=20180818204040-ea6a6ba4-a2e3-11e8-a9f6-5254005c3644; JSESSIONID=ABAAABAAAGFABEFFF09D504261EB56E3CCC780FB4358A5E; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1534294825,1534596041,1534596389,1534597802; TG-TRACK-CODE=search_code; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1534599373; LGRID=20180818213613-acc3ccc9-a2eb-11e8-9251-525400f775ce; SEARCH_ID=f20ec0fa318244f7bcc0dd981f43d5fe",
　　
　　"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.89 Safari/537.36"
　　
　　}
　　
　　data = {
　　
　　"first": "true",
　　
　　"pn": 1,
　　
　　"kd": position
　　
　　}
　　
　　res = requests.post(url, headers=headers, data=data)
　　
　　# 获取相关职位结果数目
　　
　　count = res.json()['content']['positionResult']['totalCount']
　　
　　# 由于最多显示30页，也就是最多显示450条职位信息
　　
　　page_count = count // 15 + 1 if count <= 450 else 30
　　
　　for i in range(page_count):
　　
　　sleep(5)
　　
　　yield scrapy.FormRequest(
　　
　　url=url,
　　
　　formdata={
　　
　　"first": "true",
　　
　　"pn": str(i + 1),
　　
　　"kd": position
　　
　　},
　　
　　callback=self.parse
　　
　　)
　　
　　def parse(self, response):
　　
　　try:
　　
　　# 解码并转成json格式
　　
　　js = json.loads(response.body.decode('utf-8'))
　　
　　result = js['content']['positionResult']['result']
　　
　　item = LaGouItem()
　　
　　for i in result:
　　
　　item['city'] = i['city']
　　
　　item['salary'] = i['salary']
　　
　　item['position'] = i['positionName']
　　
　　item['education'] = i['education']
　　
　　item['company_name'] = i['companyFullName']
　　
　　item['company_size'] = i['companySize']
　　
　　item['finance_stage'] = i['financeStage']
　　
　　yield item
　　
　　except:
　　
　　print(response.body)
　　
　　三、运行结果：
　　
　　由于使用的是免费代理，短时间内就失效了，所以会碰上爬取不到数据的情况，所以推荐使用付费代理。

转载于:https://www.cnblogs.com/qwangxiao/p/11105718.html