python 爬蟲之爬取大街網（思路）

因爲須要，本人須要對大街網招聘信息進行分析，故寫了個爬蟲進行爬取。這裏我將記錄一下，本人爬取大街網的思路。

附：爬取得數據僅供本身分析所用，並未用做其它用途。  

附：本篇適合有必定 爬蟲基礎 crawler 觀看，有什麼沒搞明白的，歡迎你們留言，或者私信博主。

 

首先，打開目標網址 www.dajie.com ，在職位搜索中 輸入所需職業或關鍵信息 （我這演示的是 程序員），而後可獲得新的連接地址 https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job

咱們能夠看到 ，數據的排序方式有2種，一種是 默認 ，一種是 時間 ，當你點擊的時候你能夠看到 數據的排序方式發生了變化，可是網頁連接卻沒有變化，並且點擊 下一頁 的時候頁面的連接也沒有發生變化，其緣由是 當你對其操做時，它經過

JS獲取ajax數據進行變換填充，因此若是你要獲取所需數據，你只能經過獲取其ajax數據。（固然還有模擬JS渲染，獲得頁面，我沒有嘗試過，這裏也不作多述）

 

那麼如何獲取到其數據呢？

當你單擊 下一頁 等操做時，經過抓包（XHR中）能夠查看到ajax數據的來源，查看的時候能夠看到其返回的是200（所需的數據），但當你在新的頁面打開時，卻發現返回的是299，不是你想要的結果。如一下這個連接就是對其進行時間排序所得

的ajax(https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

可是若是你是單獨打開它的時候，它返回的是一個錯誤的頁面，這應該是 大街網 反爬蟲的一種手段。  

 

找到了返回的ajax地址連接，咱們該如何正確的打開這個連接呢？

當咱們打開這個 連接時（https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job）會發現服務器端回返回一個 Cookie

所以 當你訪問 (https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1)

連接時，你必需要傳入服務器返回的cookie 纔可以獲取到正確的結果。

 

下面附上本人寫的代碼，僅供參考。

其中須要注意的是：這些代碼僅提供一個思路，裏面的不少變量、類都是我項目裏面的。

這裏統一作一下解釋

#from myproject.dajie import Jobs, IpAgentPool   指引入 Ip 池，Jobs所須要爬取得 關鍵字集合.(下面演示時用不到的)
#from myproject import agentPool　　　　　　　　　　引入 Agent池， 用做假裝瀏覽器使用

 1 from myproject.dajie import Jobs, IpAgentPool
 2 from myproject import agentPool
 3 import http.cookiejar
 4 import urllib.request
 5 import urllib.parse
 6 import random
 7 import re
 8 #import pymssql
 9 
10 class dj():
11 
12     def __init__(self):
13         # -----BASEURL  爲目標網站的URL
14         # -----ToSearchJob  爲須要搜尋的工做
15         # -----Agent  爲Agent池，用於假裝瀏覽器
16         # -----opener 爲本身建造的一個opener，配合cookiejar可用於存儲cookies
17         def Myopener(self):
18                 cookie = http.cookiejar.CookieJar()
19                 return urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
20 
21         self.BASEURL = "https://www.dajie.com/"
22         # self.ToSearchJob=Jobs.TheJobNeedToSearch
23         self.AgentPool = agentPool.userAgent
24         self.IpPool = IpAgentPool.ipPool
25 
26         self.opener = Myopener(self=self)
27 
28         pass
29 
30     def getContext(self):
31         url="https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"
32 
33         header=\
34             {
35                 "User-Agent":agentPool.userAgent[int(random.random()*4)],
36                 "Referer":"https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job"
37             }
38 
39         head=[]
40 
41         for key,value in header.items():
42             head.append((key,value))
43 
44         self.opener.addheaders=head
45 
46         #session_cookie用於保存服務器返回的cookie，並將其保存
47         #
48         #其實只須要保存  session_cookie["SO_COOKIE_V2"]  便可，其他的是多餘的。服務器在進行驗證的時候，只會驗證 SO_COOKIE_V2
49         #
50         session_cookie={}
51         session=self.opener.open("https://so.dajie.com/job/search?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&from=job")
52         print((session.info()))
53 
54         session_cookie["DJ_RF"]= re.findall(r"DJ_RF=.+?;",str(session.info()))[0].split("=")[1]
55         session_cookie["DJ_EU"]=re.findall(r"DJ_EU=.+?;",str(session.info()))[0].split("=")[1]
56         session_cookie["DJ_UVID"] = re.findall(r"DJ_UVID=.+?;", str(session.info()))[0].split("=")[1]
57         session_cookie["SO_COOKIE_V2"] = re.findall(r"SO_COOKIE_V2=.+?;", str(session.info()))[0].split("=")[1]
58 
59         #data 包含的是所須要傳入的 cookie
60         data=\
61             {
62                 "DJ_RF":session_cookie["DJ_RF"].strip(";"),
63                 "DJ_EU":session_cookie["DJ_EU"].strip(";"),
64                 "DJ_UVID":session_cookie["DJ_UVID"].strip(";"),
65                 "SO_COOKIE_V2":session_cookie["SO_COOKIE_V2"].strip(";"),
66                 "__login_tips":1,
67             }
68         #將 數據解析爲傳入數據的格式
69         _data=urllib.parse.urlencode(data,"utf-8")
70         print("______________")
71         print(_data)
72         #
73         #_url 指的是ajax的連接地址
74         _url="https://so.dajie.com/job/ajax/search/filter?keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&order=1&city=&recruitType=&salary=&experience=&page=1&positionFunction=&_CSRFToken=&ajax=1"
75         req=self.opener.open(_url,data=_data.encode("utf-8"))
76 
77         print("-----------------")
78         print(req.read().decode("utf-8"))
79 
80         #print(req.read().decode("utf-8"))
81 
82 
83 
84 if __name__=="__main__":
85     _dj=dj()
86     _dj.getContext()

View Code

最後附上運行結果的截圖