前言

有是小唐的数据分析作业，快别说，这真的历经千辛万苦，我一开始的时候，就真的想着，直接用一个请求然后去前程无忧网爬取，看来网页结构之后，就是两层url，这不对小唐来说just so so，结果，笑死一个是直接给我显示加载中（可以去我的提问那里看），原来是通过js代码读取外部json数据来动态更新的。requests只能获取网页的静态源代码，动态更新的内容取不到。用requests只是获取网页的静态源代码。不会执行页面中的js代码，你用time.sleep()等待是没有用的。只有用selenium 打开真正的浏览器。才会执行页面中的js代码，用time.sleep()等待才有用。还有就是后面的滑动验证，我直接？？？，获取数据及其不稳定（主要是他还禁我ip，但是我ip池还不会用呜呜呜呜），后来还是我们的拉勾网香
拉钩网

一、准备我们的库

import re
import xlwt
import requests
from lxml import etree
from xlrd import open_workbook
from xlutils.copy import copy

二、分析分析

对于网站网址的充分了解有利于更加快速的去获取我们所需内容。我们选取的对象是拉钩网（https://www.lagou.com/）进行的数据收集和分析。通过对于网站的分析，本次文章所需的网址结构如下：
在这里插入图片描述
这下就好办了，我们看后面固定的网络结构，页面的话只有我们的pn在改变，其他都不要动

City：代表所要工作的城市
Kd：代表所要选取的行业职位，将选取C/C++开发工程师、Java开发工程师、Python开发工程师、Web、HTML5开发工程师
Gj：代表所在页面经验

再来看看我们的网页结构
在这里插入图片描述
这些就是我们要获取的结构，直接F12，送他回家

小家伙们藏在这里呀。我们可以很清楚的看到，我们的所有的招聘集合是处于class="list__YibNq"之下的，通过Xpath的查找功能可以很方便的帮我们的定位到对应的位置，再在每一条招聘集合中抽丝剥茧，找到对应元素位置，将其整合成数据集。
这样一分析下来，我们的数据获取是不是巨巨巨巨简单！！！，然后在把我们的数据放到Exel里面。把我们的代码加上一点带细节就完成了

三、代码

import re
import xlwt
import requests
from lxml import etree
from xlrd import open_workbook
from xlutils.copy import copy
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'}
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=Java&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=Python&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=C%2B%2B&city=%E5%85%A8%E5%9B%BD"
# url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
# url_h="&kd=html5&city=%E5%85%A8%E5%9B%BD"
url_q="https://www.lagou.com/wn/jobs?px=new&gj=%E5%9C%A8%E6%A0%A1%2F%E5%BA%94%E5%B1%8A&pn="
url_h="&kd=Python&city=%E5%85%A8%E5%9B%BD"
wb_name='Python.xls'
def spider(base_url,headers):response = requests.get(base_url, headers)#构建服务器response.encoding = response.apparent_encoding#获取编码格式response_text = response.text   # txt化页面内容selector = etree.HTML(response_text)#html化try:job_list=selector.xpath("//div[@class='list__YibNq']/div")print(job_list)try:for job in job_list:#岗位job_name=job.xpath("//div[@class='p-top__1F7CL']/a/text()[1]")# print(job_name)#位置job_add=job.xpath("//div[@class='p-top__1F7CL']/a/text()[2]")# print(job_add)#公司名job_cp=job.xpath("//div[@class='company-name__2-SjF']/a/text()")# print(job_cp)#公司现状job_cpinfo=job.xpath("//div[@class='industry__1HBkr']/text()")# print(job_cpinfo)#钱job_money=job.xpath("//div[@class='p-bom__JlNur']/span/text()")# print(job_money)#学历job_xl=job.xpath("//div[@class='p-bom__JlNur']/text()")# print(job_xl)#描述job_mess=job.xpath("//div[@class='il__3lk85']/text()")# print(job_mess)# 需求job_ir= job.xpath("//div[@class='ir___QwEG']/span/text()")print("解析成功——————开始存储数据")save(job_name,job_add,job_cp,job_cpinfo,job_money,job_xl,job_mess,job_ir)except BaseException as e:print(e)print(e.__traceback__.tb_lineno)print("本条解析失败，跳过")except BaseException as e:print(e)print(e.__traceback__.tb_lineno)print("本页爬取失败，跳过")
def save(name,add,cp,cpinfo,money,xl,mess,ir):try:r_xls = open_workbook(wb_name)  # 读取excel文件except BaseException as e:print(e)print(e.__traceback__.tb_lineno)#没有读取到我们就创建file = xlwt.Workbook()sheet1 = file.add_sheet(u'表1', cell_overwrite_ok=True)sheet1.write(0, 0, "岗位")sheet1.write(0, 1, "位置")sheet1.write(0, 2, "公司名")sheet1.write(0, 3, "公司现状")sheet1.write(0, 4, "工资")sheet1.write(0, 5, "学历")sheet1.write(0, 6, "描述")sheet1.write(0, 7, "需求")file.save(wb_name)try:r_xls = open_workbook(wb_name)row = r_xls.sheets()[0].nrows  # 获取已有的行数excel = copy(r_xls)  # 将xlrd的对象转化为xlwt的对象worksheet = excel.get_sheet(0)  # 获取要操作的sheetfor i in range(0, len(name)):worksheet.write(row + i, 0, name[i])worksheet.write(row + i, 1, add[i])worksheet.write(row + i, 2, cp[i])worksheet.write(row + i, 3, cpinfo[i])worksheet.write(row + i, 4, money[i])worksheet.write(row + i, 5, xl[i])worksheet.write(row + i, 6, mess[i])worksheet.write(row + i, 7, ir[i])excel.save(wb_name)print("存储成功")except BaseException as e:print(e)print(e.__traceback__.tb_lineno)print("存储失败")def run():for page in range(1,31):print("正在解析"+str(page)+"页")url=url_q+str(page)+url_hprint(url)spider(url, headers)
run()

四、数据展示

在这里插入图片描述

小唐的心路历程

这个是真的，小唐第一次遇到这种网站，之前的51，是真的有被离谱到，给大家看看,我一开始的时候真的以为是显式等待和隐式等待的问题结果。。
在这里插入图片描述
就是这个网站或者是通过F12控制台分析页面数据加载的链接，找到真正json数据的地址进行爬取。在页面上点击右键，右键菜单中选 “查看网页源代码”。
本来以为成功了

结果。。。（禁我ip，欺负我不会用ip池）
在这里插入图片描述
不过好在问题都解决了，也获得了自己想要的信息，啊哈哈哈哈，爬出来的那一刻真的超级有成就感！！！