【图文详解】scrapy爬虫与Ajax动态页面——爬取拉勾网职位信息(1)

96
voidsky_很有趣儿
0.3 2016.05.15 11:15* 字数 1851

5-14更新

注意:目前拉勾网换了json结构,之前是content - result 现在改成了content- positionResult - result,所以大家写代码的时候要特别注意加上一层positionResult的解析。

现在很多网站都用了一种叫做Ajax(异步加载)的技术,就是说,网页打开了,先给你看上面一部分东西,然后剩下的东西再慢慢加载。
所以你可以看到很多网页,都是慢慢的刷出来的,或者有些网站随着你的移动,很多信息才慢慢加载出来。这样的网页有个好处,就是网页加载速度特别快(因为不用一次加载全部内容)。

但是这对我们写爬虫就不方便了,因为你总是爬不到你想要的东西!

我们举个例子,我因为最近想分析拉勾网有关职位情况的数据,所以我上了他们网站:(注意!爬取的内容仅限于学术交流!请勿用于商业用途!)
http://www.lagou.com/zhaopin/

image

可以看到,这里有很多职位信息。注意,这里当我们点下一页

image

我们可以发现,网页地址没有更新就直接加载出来了!!

image

这明显就是一个动态页面,我们写个爬虫来爬一下网页,看看能得到什么内容,现在应该能很快写出(搭出)一个这样的爬虫吧?(其实啥也没有)

image

可以看到输出,你可以把所有源代码浏览一遍,里面没有任何有关职位的信息!

image

如果你觉得不直观,我教你一招,我们简单的把它输出到一个html看看

![](https://raw.githubusercontent.com/hk029/blog/master/爬虫/动态加载网页爬取/1461237819572.png" width=400px />

就是这么个情况。。关键部分呢!空的!!!

image

寻找可以网页

这时候要怎么办呢?难道信息就爬不了吗??

当然不是,你要想,它只要是显示到网页上了,就肯定在某个地方,只是我们没找到而已。

只不过,这个时候,我们就要费点功夫了。我们还是回到刚才的网页上去点F12,这时候,我们用network功能

image

这时候你可能看到里面没东西,这是因为它只记录打开后的网络资源的信息。
我们按F5刷新一下。

image

你可以看到开始唰唰的刷出东西来了……太快了,我眼睛有点跟不上了,我们等它停下来,我们随便点个资源,会出现右边的框,我们切换到response

image

然后我们就开始找可疑的网页资源。首先,图片,css什么之类的可以跳过,这里有个诀窍,就是一般来说,这类数据都会用json存,所以我们尝试在过滤器中输入json

image

我们发现了2个资源感觉特别像,其中有个名字直接有position,我们点击右键,在新标签页打开看看

![](https://raw.githubusercontent.com/hk029/blog/master/爬虫/动态加载网页爬取/1461238727325.png" width=200px />

虽然看上去很乱(密集恐惧症估计忍不了)但是实际上很有条理,全是键值对应的,这就是json格式,特别适合网页数据交换。

image

这里我们发现就是这个了!所有职位信息都在里面,我们赶紧记录下它的网址

网页构造

通过观察网页地址可以发现推测出:
http://www.lagou.com/jobs/positionAjax.json?这一段是固定的,剩下的我们发现上面有个北京

image

我们把这里改成上海看看,可以看见又出来一个网页内容,刚好和之前网页把工作地改成上海,对应的内容一致

image
image

所以我们可以得出结论,这里city标签就代表着你选的工作地点,那我们要是把工作经验,学历要求,什么都选上呢??可以直接看到,网址就变了很多

<img
src="https://raw.githubusercontent.com/hk029/blog/master/爬虫/动态加载网页爬取/1461239055953.png)

我们直接把这些复制到刚才我们找到的网页上


image

可以发现和网页内容一致

image

现在我们可以下结论,我们需要的就是这个网址:
http://www.lagou.com/jobs/positionAjax.json

然后后面可以加这些参数:

gj=应届毕业生&xl=大专&jd=成长型&hy=移动互联网&px=new&city=上海

通过修改这些参数,我们就可以获取不同的职位信息。

<font color=red>注意:</font>这里的构造还比较简单,有时候,有些网址的构造远比这个复杂,经常会出现一些你不知道什么意思的id=什么的,这个时候,可能这个id的可能值可能就在别的文件中,你可能还得找一遍,也可能就在网页源代码中的某个地方。
还有一种情况,可能会出现time=什么的,这就是时间戳,这时候,需要用time函数构造。总之,要具体情况具体分析。

import time
time.time()

编写爬虫

因为这个网页的格式是用的json,那么我们可以用json格式很好的读出内容。
这里我们切换成到preview下,然后点content——result,可以发现出先一个列表,再点开就可以看到每个职位的内容。为什么要从这里看?有个好处就是知道这个json文件的层级结构,方便等下编码。

image

整个处理的代码就那么几句话,可以可出,这里完全和刚才的层级结构是一致的。先content然后result然后是每个职位的信息。

        jdict = json.loads(response.body)
        jcontent = jdict["content"]
        jresult = jcontent["result"]
        for each in jresult:
            print each['city']
            print each['companyName']
            print each['companySize']
            print each['positionName']
            print each['positionType']
            print each['salary']
            print ''

当然还是要引入json

    import json
image

我们可以运行看看效果

![](https://raw.githubusercontent.com/hk029/blog/master/爬虫/动态加载网页爬取/1461242703391.png" width=400px />

然后,我们可以把信息存到文件或者数据库了,那就是之前学过的内容了。

修改items.py

加入你需要的内容

image

修改settings.py

看你是需要存入数据库还是文件,之前都说过了

修改pipelines.py

如果需要加入数据库,这里加上数据库操作,如果需要写入文件,可能不用修改这个文件

修改parse()

把数据加入item,然后yield,大家应该很熟悉了

image

但是,这里还只爬了一个网页的内容,对于更多页面的内容,怎么获取呢?我在下篇博客会有介绍,有兴趣的童鞋可以自己试试看如果获取下一页的内容,用上面教的查找资源的办法。

python爬虫
Web note ad 1