爬虫实战——拉勾网

闲来无事，想看看拉勾上关于的Python的招聘信息

于是。。。爬下来呗

话不多说，直接开始

不对，首先还是说一下主要使用到的技术栈，这里我没有使用requests库，而是使用selenium爬的

why ？

我喜欢呗~

selenium爬虫原理

其实原理也没啥好说的，和平时爬虫的时候原理都是一样的，就是模拟浏览器上网呗

分析：

其实，拉勾网是非常好爬的，首先进入拉勾网(www.lagou.com)，并搜索python 回车

拉勾网搜索python 拉勾网搜索python

为什么说拉勾网好爬，原因之一在图中我已经标注出来了，就是不需要登录，原因之二请见下文

在chrome浏览器按f12，查看网页源码

浏览器查看F12

此时会发现，Network下什么都没有，那是因为没有请求，此时，需要再此刷新页面，就会有了

Network

注意此时，我们选择箭头所指的位置，这里的数据是通过ajax发送过来的，这里就说一下，拉勾网容易爬的原因之二，因为所有的数据在ajax里都能找到，只需要爬去这里的json数据就行了，但是我没有这样做，因为不屑于(装)这么爬(B)，开头就说了这次爬虫使用的是selenium，所以需要分析网页的html。因此，这里的数据不是重点，我们看网页

Elements

点击Elements，查看网页源码，再点击左上角的小箭头(我标注的红色小箭头)所指的按钮，再选中网页中的元素，即可快速定位到该元素所在的源码位置，到此时，其实我们已经找到想爬数据的所在位置了，在代码中使用selenium自带的xpath解析出来就可以了，接下来就是代码实现了

话不多说直接上源码：

import json
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import timeclass Lagou(object):def __init__(self, search_name):self.start_url = "https://www.lagou.com/jobs/list_{}?px=default&city=%E5%8C%97%E4%BA%AC#filterBox"self.search_name = search_nameself.chrome_options = Options()self.chrome_options.add_argument('--headless')self.driver = webdriver.Chrome(chrome_options=self.chrome_options)self.content_header = ["positionName", "businessZones", "CreateTime", "companyShortName", "salary", "workYear"]def get_content_list(self):  # 提取数据li_list = self.driver.find_elements_by_xpath('//li[contains(@class, "con_list_item")]')content_list = []for li in li_list:item_list = []item_list.append(li.find_element_by_tag_name("h3").text)item_list.append(li.find_element_by_tag_name("em").text)item_list.append(li.find_elements_by_xpath(".//span[@class='format-time']")[0].text)item_list.append(li.find_elements_by_xpath(".//div[@class='company_name']")[0].text)item_list.append(li.find_elements_by_xpath(".//span[@class='money']")[0].text)item_list.append(li.find_elements_by_xpath(".//div[@class='li_b_l']")[0].text)# print(item_list)content_list.append(item_list)# 下一页next_url = self.driver.find_elements_by_xpath("//span[@class='pager_next ']")next_url = next_url[0] if len(next_url) > 0 else Nonereturn content_list, next_urldef save_content_list(self, content_list):with open(self.search_name + "_data.csv", "a", encoding='utf-8') as f:for content in content_list:print(content)for item in content:if isinstance(item, str):if '，' in item:item.replace(",", "|")f.write(item + ",")f.write('\n')def run(self):# 发送请求self.driver.get(self.start_url.format(self.search_name))# 提取数据content_list, next_url = self.get_content_list()# 保存数据self.save_content_list(content_list)# 翻页while next_url is not None:next_url.click()time.sleep(6)content_list, next_url = self.get_content_list()self.save_content_list(content_list)if __name__ == '__main__':lagou = Lagou("python")lagou.run()# 翻页