python制作爬蟲并將抓取結果保存到excel中

學習Python也有一段時間了，各種理論知識大體上也算略知一二了，今天就進入實戰演練：通過Python來編寫一個拉勾網薪資調查的小爬蟲。

第一步：分析網站的請求過程

我們在查看拉勾網上的招聘信息的時候，搜索Python，或者是PHP等等的崗位信息，其實是向服務器發出相應請求，由服務器動態的響應請求，將我們所需要的內容通過瀏覽器解析，呈現在我們的面前。

可以看到我們發出的請求當中，FormData中的kd參數，就代表著向服務器請求關鍵詞為Python的招聘信息。

分析比較復雜的頁面請求與響應信息，推薦使用Fiddler，對于分析網站來說絕對是一大殺器。不過比較簡單的響應請求用瀏覽器自帶的開發者工具就可以，比如像火狐的FireBug等等，只要輕輕一按F12，所有的請求的信息都會事無巨細的展現在你面前。

經由分析網站的請求與響應過程可知，拉勾網的招聘信息都是由XHR動態傳遞的。

我們發現，以POST方式發出的請求有兩個，分別是companyAjax.json和positionAjax.json，它們分別控制當前顯示的頁面和頁面中包含的招聘信息。

可以看到，我們所需要的信息包含在positionAjax.json的Content->result當中，其中還包含了一些其他參數信息，包括總頁面數（totalPageCount），總招聘登記數（totalCount）等相關信息。

第二步：發送請求，獲取頁面

知道我們所要抓取的信息在哪里是最為首要的，知道信息位置之后，接下來我們就要考慮如何通過Python來模擬瀏覽器，獲取這些我們所需要的信息。    
def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息，并讀取返回后的頁面信息
  page_headers = {
    'Host': 'www.lagou.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
           'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Connection': 'keep-alive'
    }
  if page_num == 1:
    boo = 'true'
  else:
    boo = 'false'
  page_data = parse.urlencode([  # 通過頁面分析，發現瀏覽器提交的FormData包括以下參數
    ('first', boo),
    ('pn', page_num),
    ('kd', keyword)
    ])
  req = request.Request(url, headers=page_headers)
  page = request.urlopen(req, data=page_data.encode('utf-8')).read()
  page = page.decode('utf-8')
  return page

其中比較關鍵的步驟在于如何仿照瀏覽器的Post方式，來包裝我們自己的請求。

request包含的參數包括所要抓取的網頁url，以及用于偽裝的headers。urlopen中的data參數包括FormData的三個參數(first、pn、kd)

包裝完畢之后，就可以像瀏覽器一樣訪問拉勾網，并獲得頁面數據了。

第三步：各取所需，獲取數據

獲得頁面信息之后，我們就可以開始爬蟲數據中最主要的步驟：抓取數據。

抓取數據的方式有很多，像正則表達式re，lxml的etree，json，以及bs4的BeautifulSoup都是python3抓取數據的適用方法。大家可以根據實際情況，使用其中一個，又或多個結合使用。    
def read_tag(page, tag):
  page_json = json.loads(page)
  page_json = page_json['content']['result']
  # 通過分析獲取的json信息可知，招聘信息包含在返回的result當中，其中包含了許多其他參數
  page_result = [num for num in range(15)] # 構造一個容量為15的占位list，用以構造接下來的二維數組
  for i in range(15):
    page_result[i] = [] # 構造二維數組
    for page_tag in tag:
      page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數，將它們放置在同一個list當中
    page_result[i][8] = ','.join(page_result[i][8])
  return page_result  # 返回當前頁的招聘信息

第四步：將所抓取的信息存儲到excel中

獲得原始數據之后，為了進一步的整理與分析，我們有結構有組織的將抓取到的數據存儲到excel中，方便進行數據的可視化處理。

這里我用了兩個不同的框架，分別是老牌的xlwt.Workbook、以及xlsxwriter。
    
def save_excel(fin_result, tag_name, file_name):
  book = Workbook(encoding='utf-8')
  tmp = book.add_sheet('sheet')
  times = len(fin_result)+1
  for i in range(times): # i代表的是行,i+1代表的是行首信息
    if i == 0:
      for tag_name_i in tag_name:
        tmp.write(i, tag_name.index(tag_name_i), tag_name_i)
    else:
      for tag_list in range(len(tag_name)):
        tmp.write(i, tag_list, str(fin_result[i-1][tag_list]))
  book.save(r'C:\Users\Administrator\Desktop\%s.xls' % file_name)

首先是xlwt，不知道為什么，xlwt存儲到100多條數據之后，會存儲不全，而且excel文件也會出現“部分內容有問題，需要進行修復”我檢查了很多次，一開始以為是數據抓取的不完全，導致的存儲問題。后來斷點檢查，發現數據是完整的。后來換了本地的數據進行處理，也沒有出現問題。我當時的心情是這樣的：

到現在我也沒弄明白，有知道的大神希望能告訴我?(?ε??)　    
def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當中
  book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認存儲在桌面上
  tmp = book.add_worksheet()
  row_num = len(fin_result)
  for i in range(1, row_num):
    if i == 1:
      tag_pos = 'A%s' % i
      tmp.write_row(tag_pos, tag_name)
    else:
      con_pos = 'A%s' % i
      content = fin_result[i-1] # -1是因為被表格的表頭所占
      tmp.write_row(con_pos, content)
  book.close()

這是使用xlsxwriter存儲的數據，沒有問題，可以正常使用。

到從為止，一個抓取拉勾網招聘信息的小爬蟲就誕生了。

附上源碼    
#! -*-coding:utf-8 -*-
 
from urllib import request, parse
from bs4 import BeautifulSoup as BS
import json
import datetime
import xlsxwriter
 
starttime = datetime.datetime.now()
 
url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC'
# 拉鉤網的招聘信息都是動態獲取的，所以需要通過post來遞交json信息，默認城市為北京
 
tag = ['companyName', 'companyShortName', 'positionName', 'education', 'salary', 'financeStage', 'companySize',
    'industryField', 'companyLabelList'] # 這是需要抓取的標簽信息，包括公司名稱，學歷要求，薪資等等
 
tag_name = ['公司名稱', '公司簡稱', '職位名稱', '所需學歷', '工資', '公司資質', '公司規模', '所屬類別', '公司介紹']
 
 
def read_page(url, page_num, keyword): # 模仿瀏覽器post需求信息，并讀取返回后的頁面信息
  page_headers = {
    'Host': 'www.lagou.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
           'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
    'Connection': 'keep-alive'
    }
  if page_num == 1:
    boo = 'true'
  else:
    boo = 'false'
  page_data = parse.urlencode([  # 通過頁面分析，發現瀏覽器提交的FormData包括以下參數
    ('first', boo),
    ('pn', page_num),
    ('kd', keyword)
    ])
  req = request.Request(url, headers=page_headers)
  page = request.urlopen(req, data=page_data.encode('utf-8')).read()
  page = page.decode('utf-8')
  return page
 
 
def read_tag(page, tag):
  page_json = json.loads(page)
  page_json = page_json['content']['result'] # 通過分析獲取的json信息可知，招聘信息包含在返回的result當中，其中包含了許多其他參數
  page_result = [num for num in range(15)] # 構造一個容量為15的list占位，用以構造接下來的二維數組
  for i in range(15):
    page_result[i] = [] # 構造二維數組
    for page_tag in tag:
      page_result[i].append(page_json[i].get(page_tag)) # 遍歷參數，將它們放置在同一個list當中
    page_result[i][8] = ','.join(page_result[i][8])
  return page_result  # 返回當前頁的招聘信息
 
 
def read_max_page(page): # 獲取當前招聘關鍵詞的最大頁數，大于30的將會被覆蓋，所以最多只能抓取30頁的招聘信息
  page_json = json.loads(page)
  max_page_num = page_json['content']['totalPageCount']
  if max_page_num > 30:
    max_page_num = 30
  return max_page_num
 
 
def save_excel(fin_result, tag_name, file_name): # 將抓取到的招聘信息存儲到excel當中
  book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認存儲在桌面上
  tmp = book.add_worksheet()
  row_num = len(fin_result)
  for i in range(1, row_num):
    if i == 1:
      tag_pos = 'A%s' % i
      tmp.write_row(tag_pos, tag_name)
    else:
      con_pos = 'A%s' % i
      content = fin_result[i-1] # -1是因為被表格的表頭所占
      tmp.write_row(con_pos, content)
  book.close()
 
 
if __name__ == '__main__':
  print('**********************************即將進行抓取**********************************')
  keyword = input('請輸入您要搜索的語言類型：')
  fin_result = [] # 將每頁的招聘信息匯總成一個最終的招聘信息
  max_page_num = read_max_page(read_page(url, 1, keyword))
  for page_num in range(1, max_page_num):
    print('******************************正在下載第%s頁內容*********************************' % page_num)
    page = read_page(url, page_num, keyword)
    page_result = read_tag(page, tag)
    fin_result.extend(page_result)
  file_name = input('抓取完成，輸入文件名保存：')
  save_excel(fin_result, tag_name, file_name)
  endtime = datetime.datetime.now()
  time = (endtime - starttime).seconds
  print('總共用時：%s s' % time)

還有許多功能可以添加，比如說通過修改city參數查看不同城市的招聘信息啦等等，大家可以自行開發，這里只做拋磚引玉之用