【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

上次挖了一个坑,今天终于填上了,还记得之前我们做的拉勾爬虫吗?那时我们实现了一页的爬取,今天让我们再接再厉,实现多页爬取,顺便实现职位和公司的关键词搜索功能。

之前的内容就不再介绍了,不熟悉的请一定要去看之前的文章,代码是在之前的基础上修改的

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(1)

开始

还是回到我们熟悉的页面,这里,我们熟练的打开了Newwork标签,我们点下一页,看会出来什么结果

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

果然还是跳出来一个页面,但是貌似。。网址一样,我打开看一下

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

和之前不一样也!

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

一样的网址,结果不一样的结果,这怎么可能!!小伙伴是不是也和我一样,一脸懵B!

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

别急,我们继续看看别的信息

在preview我们看到了Pageno.2 说明确实不是同样的内容

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

Header

我们继续看header,貌似发现了不起的东西。

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

这个pn不就是pageno的简写吗?(什么,你怎么不知道有这个缩写?)我们可以再打开一个网页看看,事实证明,我是对的。

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

好的,我们现在知道页码信息在这里了,那要怎么把这个信息附加上呢??

Get or Post??

我们知道网页有两种方式传输数据,get和post,get是把需要传输的数据写到URL上,用户可以直观看见,就是我们之前一直使用的(比如搜索城市,工作经验,学历什么的)。post是通过HTTP post机制,将表单内各个字段与其内容放置在HTML HEADER内一起传送到ACTION属性所指的URL地址。用户看不到这个过程。

scrapy实现post

看来我们得想办法用scrapy实现post了。

如果你还记得我们之前讲request的时候讲了request是可以轻松实现post的,那scrapy有request吗?毫无疑问是有的。我们在文档中找到了一个叫FormRequest的对象,它能实现post功能,并给出了例子

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)
【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

我们在我们的之前代码中的class中加入一个start_requests函数

def start_requests(self):
return [scrapy.http.FormRequest('http://www.lagou.com/jobs/positionAjax.json?px=new&city=%E5%8C%97%E4%BA%AC',
formdata={'pn':'2'},callback=self.parse)]

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

运行一下,出错了,才发现,原来目前拉勾的json结构改了,中间加了一个positionResult

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

修改代码:

        jcontent = jdict["content"]
jposresult = jcontent["positionResult"]
jresult = jposresult["result"]

再运行一下,和第2页的一致,说明成功了

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)
【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

这里再说下,如果你在关键词里搜索,你会发现链接也不会变化,说明什么??说明也是用的post,比如我搜索大数据,可以看到kd变成了大数据,所以我们也可以构造特定关键词的爬虫了。

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

实现自动翻页

我们只要能控制pn就行了,我们新增一个变量curpage让它运行一次自加1,然后我们还是用之前的yield的方法

if self.curpage <= self.totalPageCount:
self.curpage += 1
yield scrapy.http.FormRequest('http://www.lagou.com/jobs/positionAjax.json?px=new&city=%E5%8C%97%E4%BA%AC', formdata={'pn':str(self.curpage)},callback=self.parse)

要说明的是,之前json文件里是有个totalPageCount属性的,目前没了!所以不能直接从json文件中获取页数信息了,怎么办呢?如果你要细心观察就可以发现有个totalCount属性,你做实验可以发现,每页都是15个,页数就是totalCount/15取整,如果页数大于30,只显示30页。

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

  self.totalPageCount = jposresult['totalCount'] /15;
if self.totalPageCount > 30:
self.totalPageCount = 30;

这里我们爬所有北京有关“大数据”的工作

 formdata={'pn':str(self.curpage),'kd':'大数据'}

好了大工告成!享受你的成果吧!!

【图文详解】scrapy爬虫与动态页面——爬取拉勾网职位信息(2)

这个工程我上传到了github,有兴趣的同学可以下载下来看看:

https://github.com/hk029/LagouSpider

上一篇:java.lang.String 类源码解读


下一篇:sql 2000 分页