最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python制作爬蟲并將抓取結(jié)果保存到excel中

 更新時間:2016年04月06日 08:44:29   作者:Data&Truth  
本文給大家記錄的是使用Python制作爬蟲爬取拉勾網(wǎng)信息并將結(jié)果保存到Excel中的實(shí)現(xiàn)思路及方法,并附上最終源碼,有需要的小伙伴可以參考下

學(xué)習(xí)Python也有一段時間了,各種理論知識大體上也算略知一二了,今天就進(jìn)入實(shí)戰(zhàn)演練:通過Python來編寫一個拉勾網(wǎng)薪資調(diào)查的小爬蟲。

第一步:分析網(wǎng)站的請求過程

我們在查看拉勾網(wǎng)上的招聘信息的時候,搜索Python,或者是PHP等等的崗位信息,其實(shí)是向服務(wù)器發(fā)出相應(yīng)請求,由服務(wù)器動態(tài)的響應(yīng)請求,將我們所需要的內(nèi)容通過瀏覽器解析,呈現(xiàn)在我們的面前。

可以看到我們發(fā)出的請求當(dāng)中,F(xiàn)ormData中的kd參數(shù),就代表著向服務(wù)器請求關(guān)鍵詞為Python的招聘信息。

分析比較復(fù)雜的頁面請求與響應(yīng)信息,推薦使用Fiddler,對于分析網(wǎng)站來說絕對是一大殺器。不過比較簡單的響應(yīng)請求用瀏覽器自帶的開發(fā)者工具就可以,比如像火狐的FireBug等等,只要輕輕一按F12,所有的請求的信息都會事無巨細(xì)的展現(xiàn)在你面前。

經(jīng)由分析網(wǎng)站的請求與響應(yīng)過程可知,拉勾網(wǎng)的招聘信息都是由XHR動態(tài)傳遞的。

我們發(fā)現(xiàn),以POST方式發(fā)出的請求有兩個,分別是companyAjax.json和positionAjax.json,它們分別控制當(dāng)前顯示的頁面和頁面中包含的招聘信息。

可以看到,我們所需要的信息包含在positionAjax.json的Content->result當(dāng)中,其中還包含了一些其他參數(shù)信息,包括總頁面數(shù)(totalPageCount),總招聘登記數(shù)(totalCount)等相關(guān)信息。

第二步:發(fā)送請求,獲取頁面

知道我們所要抓取的信息在哪里是最為首要的,知道信息位置之后,接下來我們就要考慮如何通過Python來模擬瀏覽器,獲取這些我們所需要的信息。

def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息,并讀取返回后的頁面信息
  page_headers = {
    'Host': 'www.lagou.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
           'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Connection': 'keep-alive'
    }
  if page_num == 1:
    boo = 'true'
  else:
    boo = 'false'
  page_data = parse.urlencode([  # 通過頁面分析,發(fā)現(xiàn)瀏覽器提交的FormData包括以下參數(shù)
    ('first', boo),
    ('pn', page_num),
    ('kd', keyword)
    ])
  req = request.Request(url, headers=page_headers)
  page = request.urlopen(req, data=page_data.encode('utf-8')).read()
  page = page.decode('utf-8')
  return page

其中比較關(guān)鍵的步驟在于如何仿照瀏覽器的Post方式,來包裝我們自己的請求。

request包含的參數(shù)包括所要抓取的網(wǎng)頁url,以及用于偽裝的headers。urlopen中的data參數(shù)包括FormData的三個參數(shù)(first、pn、kd)

包裝完畢之后,就可以像瀏覽器一樣訪問拉勾網(wǎng),并獲得頁面數(shù)據(jù)了。

第三步:各取所需,獲取數(shù)據(jù)

獲得頁面信息之后,我們就可以開始爬蟲數(shù)據(jù)中最主要的步驟:抓取數(shù)據(jù)。

抓取數(shù)據(jù)的方式有很多,像正則表達(dá)式re,lxml的etree,json,以及bs4的BeautifulSoup都是python3抓取數(shù)據(jù)的適用方法。大家可以根據(jù)實(shí)際情況,使用其中一個,又或多個結(jié)合使用。

def read_tag(page, tag):
  page_json = json.loads(page)
  page_json = page_json['content']['result'] 
  # 通過分析獲取的json信息可知,招聘信息包含在返回的result當(dāng)中,其中包含了許多其他參數(shù)
  page_result = [num for num in range(15)] # 構(gòu)造一個容量為15的占位list,用以構(gòu)造接下來的二維數(shù)組
  for i in range(15):
    page_result[i] = [] # 構(gòu)造二維數(shù)組
    for page_tag in tag:
      page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數(shù),將它們放置在同一個list當(dāng)中
    page_result[i][8] = ','.join(page_result[i][8])
  return page_result  # 返回當(dāng)前頁的招聘信息

第四步:將所抓取的信息存儲到excel中

獲得原始數(shù)據(jù)之后,為了進(jìn)一步的整理與分析,我們有結(jié)構(gòu)有組織的將抓取到的數(shù)據(jù)存儲到excel中,方便進(jìn)行數(shù)據(jù)的可視化處理。

這里我用了兩個不同的框架,分別是老牌的xlwt.Workbook、以及xlsxwriter。

def save_excel(fin_result, tag_name, file_name):
  book = Workbook(encoding='utf-8')
  tmp = book.add_sheet('sheet')
  times = len(fin_result)+1
  for i in range(times): # i代表的是行,i+1代表的是行首信息
    if i == 0:
      for tag_name_i in tag_name:
        tmp.write(i, tag_name.index(tag_name_i), tag_name_i)
    else:
      for tag_list in range(len(tag_name)):
        tmp.write(i, tag_list, str(fin_result[i-1][tag_list]))
  book.save(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)

首先是xlwt,不知道為什么,xlwt存儲到100多條數(shù)據(jù)之后,會存儲不全,而且excel文件也會出現(xiàn)“部分內(nèi)容有問題,需要進(jìn)行修復(fù)”我檢查了很多次,一開始以為是數(shù)據(jù)抓取的不完全,導(dǎo)致的存儲問題。后來斷點(diǎn)檢查,發(fā)現(xiàn)數(shù)據(jù)是完整的。后來換了本地的數(shù)據(jù)進(jìn)行處理,也沒有出現(xiàn)問題。我當(dāng)時的心情是這樣的:

到現(xiàn)在我也沒弄明白,有知道的大神希望能告訴我ლ(╹ε╹ლ) 

def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當(dāng)中
  book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認(rèn)存儲在桌面上
  tmp = book.add_worksheet()
  row_num = len(fin_result)
  for i in range(1, row_num):
    if i == 1:
      tag_pos = 'A%s' % i
      tmp.write_row(tag_pos, tag_name)
    else:
      con_pos = 'A%s' % i
      content = fin_result[i-1] # -1是因?yàn)楸槐砀竦谋眍^所占
      tmp.write_row(con_pos, content)
  book.close()

這是使用xlsxwriter存儲的數(shù)據(jù),沒有問題,可以正常使用。

到從為止,一個抓取拉勾網(wǎng)招聘信息的小爬蟲就誕生了。

附上源碼

#! -*-coding:utf-8 -*-

from urllib import request, parse
from bs4 import BeautifulSoup as BS
import json
import datetime
import xlsxwriter

starttime = datetime.datetime.now()

url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC'
# 拉鉤網(wǎng)的招聘信息都是動態(tài)獲取的,所以需要通過post來遞交json信息,默認(rèn)城市為北京

tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize',
    'industryField', 'companyLabelList'] # 這是需要抓取的標(biāo)簽信息,包括公司名稱,學(xué)歷要求,薪資等等

tag_name = ['公司名稱', '公司簡稱', '職位名稱', '所需學(xué)歷', '工資', '公司資質(zhì)', '公司規(guī)模', '所屬類別', '公司介紹']


def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息,并讀取返回后的頁面信息
  page_headers = {
    'Host': 'www.lagou.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
           'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Connection': 'keep-alive'
    }
  if page_num == 1:
    boo = 'true'
  else:
    boo = 'false'
  page_data = parse.urlencode([  # 通過頁面分析,發(fā)現(xiàn)瀏覽器提交的FormData包括以下參數(shù)
    ('first', boo),
    ('pn', page_num),
    ('kd', keyword)
    ])
  req = request.Request(url, headers=page_headers)
  page = request.urlopen(req, data=page_data.encode('utf-8')).read()
  page = page.decode('utf-8')
  return page


def read_tag(page, tag):
  page_json = json.loads(page)
  page_json = page_json['content']['result'] # 通過分析獲取的json信息可知,招聘信息包含在返回的result當(dāng)中,其中包含了許多其他參數(shù)
  page_result = [num for num in range(15)] # 構(gòu)造一個容量為15的list占位,用以構(gòu)造接下來的二維數(shù)組
  for i in range(15):
    page_result[i] = [] # 構(gòu)造二維數(shù)組
    for page_tag in tag:
      page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數(shù),將它們放置在同一個list當(dāng)中
    page_result[i][8] = ','.join(page_result[i][8])
  return page_result  # 返回當(dāng)前頁的招聘信息


def read_max_page(page): # 獲取當(dāng)前招聘關(guān)鍵詞的最大頁數(shù),大于30的將會被覆蓋,所以最多只能抓取30頁的招聘信息
  page_json = json.loads(page)
  max_page_num = page_json['content']['totalPageCount']
  if max_page_num > 30:
    max_page_num = 30
  return max_page_num


def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當(dāng)中
  book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認(rèn)存儲在桌面上
  tmp = book.add_worksheet()
  row_num = len(fin_result)
  for i in range(1, row_num):
    if i == 1:
      tag_pos = 'A%s' % i
      tmp.write_row(tag_pos, tag_name)
    else:
      con_pos = 'A%s' % i
      content = fin_result[i-1] # -1是因?yàn)楸槐砀竦谋眍^所占
      tmp.write_row(con_pos, content)
  book.close()


if __name__ == '__main__':
  print('**********************************即將進(jìn)行抓取**********************************')
  keyword = input('請輸入您要搜索的語言類型:')
  fin_result = [] # 將每頁的招聘信息匯總成一個最終的招聘信息
  max_page_num = read_max_page(read_page(url, 1, keyword))
  for page_num in range(1, max_page_num):
    print('******************************正在下載第%s頁內(nèi)容*********************************' % page_num)
    page = read_page(url, page_num, keyword)
    page_result = read_tag(page, tag)
    fin_result.extend(page_result)
  file_name = input('抓取完成,輸入文件名保存:')
  save_excel(fin_result, tag_name, file_name)
  endtime = datetime.datetime.now()
  time = (endtime - starttime).seconds
  print('總共用時:%s s' % time)

還有許多功能可以添加,比如說通過修改city參數(shù)查看不同城市的招聘信息啦等等,大家可以自行開發(fā),這里只做拋磚引玉之用,歡迎交流,

相關(guān)文章

  • 詳解Python中dict與set的使用

    詳解Python中dict與set的使用

    這篇文章主要介紹了詳解Python中dict與set的使用,是Python入門學(xué)習(xí)中的基礎(chǔ)知識,需要的朋友可以參考下
    2015-08-08
  • pytorch 如何使用batch訓(xùn)練lstm網(wǎng)絡(luò)

    pytorch 如何使用batch訓(xùn)練lstm網(wǎng)絡(luò)

    這篇文章主要介紹了pytorch 如何使用batch訓(xùn)練lstm網(wǎng)絡(luò)的操作,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教
    2021-05-05
  • Python生成pdf目錄書簽的實(shí)例方法

    Python生成pdf目錄書簽的實(shí)例方法

    在本篇文章里小編給大家整理了關(guān)于Python生成pdf目錄書簽的實(shí)例方法,有需要的朋友們可以學(xué)習(xí)下。
    2020-10-10
  • python中類的相互調(diào)用的實(shí)踐

    python中類的相互調(diào)用的實(shí)踐

    本文主要介紹了python中類的相互調(diào)用,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-02-02
  • Python調(diào)用豆包API的完整指南

    Python調(diào)用豆包API的完整指南

    豆包是字節(jié)跳動推出的AI對話助手,提供了強(qiáng)大的自然語言處理能力,本文將詳細(xì)介紹如何使用Python調(diào)用豆包API,實(shí)現(xiàn)智能對話功能,感興趣的小伙伴跟著小編一起來看看吧
    2025-07-07
  • PyCharm插件開發(fā)實(shí)踐之PyGetterAndSetter詳解

    PyCharm插件開發(fā)實(shí)踐之PyGetterAndSetter詳解

    這篇文章主要介紹了PyCharm插件開發(fā)實(shí)踐-PyGetterAndSetter,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-10-10
  • 利用Python模擬谷歌的小恐龍游戲

    利用Python模擬谷歌的小恐龍游戲

    谷歌流量器中有個很有名的彩蛋:當(dāng)你網(wǎng)絡(luò)出現(xiàn)問題時,就會出現(xiàn)一個“小恐龍游戲”。本文就主要為大家介紹了如何用Python模擬實(shí)現(xiàn)這一小游戲,感興趣的同學(xué)可以學(xué)習(xí)一下
    2021-12-12
  • 學(xué)會這29個常用函數(shù),你就是Pandas專家

    學(xué)會這29個常用函數(shù),你就是Pandas專家

    Pandas?無疑是?Python?處理表格數(shù)據(jù)最好的庫之一,但是很多新手無從下手,這里總結(jié)出最常用的?29?個函數(shù),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下
    2022-11-11
  • Python自定義簡單圖軸簡單實(shí)例

    Python自定義簡單圖軸簡單實(shí)例

    這篇文章主要介紹了Python自定義簡單圖軸簡單實(shí)例,具有一定借鑒價值,需要的朋友可以參考下
    2018-01-01
  • python3的print()函數(shù)的用法圖文講解

    python3的print()函數(shù)的用法圖文講解

    在本篇內(nèi)容里小編給各位分享的是關(guān)于python3的print()函數(shù)的用法知識點(diǎn),對此有需要的朋友們跟著學(xué)習(xí)下吧。
    2019-07-07

最新評論

平陆县| 香格里拉县| 永和县| 资中县| 易门县| 盈江县| 丽江市| 天峻县| 女性| 宁陕县| 开鲁县| 黄大仙区| 安庆市| 枣庄市| 伊川县| 鄂托克前旗| 灵寿县| 高台县| 丹凤县| 信丰县| 克东县| 工布江达县| 故城县| 云南省| 漳州市| 上蔡县| 宁城县| 洪江市| 永清县| 嘉禾县| 屯门区| 宜春市| 北京市| 屏南县| 色达县| 南安市| 清新县| 务川| 鲁山县| 区。| 白山市|