手把手教你爬取研招网调剂信息
这篇文章是去年我在博客上写的一篇基础爬虫，利用了简单的Python爬虫来定时收集目标专业的调剂信息，后面也确实帮助我成功上岸。
时间又来到了调剂的时间点，调剂通道已打开，经过热心小伙伴测试，该程序仍能够正常运行，「阅读原文」即可获取源代码。
研究生复试陆续展开，有些学校甚至都已发送拟录取通知，慌张的我昨天刚刚复试完，经历了慌张的考试，慌张地等成绩，慌张地等分数线，慌张地复试，然后我现在在慌张地等待通知。少壮不努力，考研天天愁。真实！
作为守门员要有守门员地自觉，因此我也准备着手调剂，一看，什么科软不收啦，地大关调剂大门啦，这可咋办？
研招网上的调剂信息每20条就要翻页，并且时不时要刷新才能显示信息地bug让人很难受，于是我打算对研招网地调剂信息进行爬取，便于我直接观察，咱们说干就干！
登录研招网，找到指定的调剂信息查询页面，页面链接yz.chsi.com.cn/sytj/tj/
观察页面源代码，清楚的发现具体的信息不在上面，即要爬的对象是动态的，随即打开开发者工具，查询首都师范大学，发现包含在sytjqexxcx.action之中。
点击sytjqexxcx.action，发现该表格信息果然隐藏在json之中
找到了表格所在页面，我们接着来看看该页面的头部信息
Post请求是需要我们提供表单数据的，而该表单数据就在Headers的底部。
发现表单中不包含登录信息，很好，不需要模拟登录了，利用cookie应该可以直接访问，一个action页面有20条数据，继续往下翻，发现网址没有发生改变，但是上图中的start值变为了20，以此类推40，60，80等等。我们仅需要改变表单数据中的start这个参数就可以爬取所有符合条件的数据了。
利用循环，访问页面，将所有信息提取。
通过try..except语句将所有页面访问，利用json库将json转化为list并提取所需要的信息。
for i in range(60):
if count==0:
para={
'pageSize': 20,
'start': '',
'orderBy':'' ,
'mhcx': 1,
'ssdm2': '',
'xxfs2': '',
'dwmc2': '软件',
'data_type': 'json',
'agent_from':'wap',
'pageid': ''
}
else:
para={
'pageSize': 20,
'start': count*20,
'orderBy':'' ,
'mhcx': 1,
'ssdm2': '',
'xxfs2': '',
'dwmc2': '软件',
'data_type': 'json',
'agent_from':'wap',
'pageid': 'tj_qe_list'
}
try:
r=requests.post(url,headers=headers,timeout=30,data=para)
count+=1
r.raise_for_status()
r.encoding='utf-8'
#print (r.text)
text=json.loads(r.text)
content=text['data']['vo_list']['vos']
#print(content)
except:
count+=1在提取数据的时候发现该信息中的培养方式这一项是用数字1代表全日制，2代表的非全日制，这是一条很关键的信息，利用字典将其转换。
type_dict = {}
type_dict['1'] = "全日制"
type_dict['2'] = "非全日制"
编写 parse_one_page 函数将从网页上爬取下来的数据按key提取内容，其中对应关系分别为下所示，
def parse_one_page(content):
for item in content:
yield{
'school': item['dwmc'],
'academic': item['yxsmc'],
'major': item['zymc'],
'majorID': item['zydm'],
'schoolID': item['dwdm'],
'direction':item['yjfxmc'],
'type':type_dict[str(item['xxfs'])],
'remain':item['qers'],
'publish':item['gxsj']
}
'''
bz: "调剂特殊要求"
dwdm: "单位代码"
dwmc: "单位名称"
fbsjStr: "发布时间"
gxsj: "距离最后更新时间已过xx分钟"
hasit: "考生是否已经填报该志愿 true 或 false"
id: "余额信息ID"
qers: "余额人数"
sfmzyq: "是否满足要求，空为满足要求，非空其内容为不满足要求原因"
ssdm: "省市代码"
xxfs: "学习方式"
yjfxdm: "研究方向代码"
yjfxmc: "研究方向名称"
yxsdm: "院系所代码"
yxsmc: "院系所名称"
zt: "余额状态"
zydm: "专业代码"
zymc: "专业名称"
'''将提取出来的信息存为csv文件
for item in parse_one_page(content):
with open('soft.csv', 'a', encoding='utf-8') as csv:
csv.write(item['schoolID'] + ',' + item['school'] +','+
item['academic'] + ',' + item['major'] + ','+ item['majorID']+',' +
item['direction']+ ',' + str(item['type'])+','+str(item['remain'])+','+str(item['publish'])+'\n')
这样我们便可以得到所有软件相关的调剂信息数据，如需获取其他专业的调剂信息，改变参数 dwmc2 即可。
爬虫到这就写完了，希望对大家能有所帮助。虽然调剂不是非常好的选择，但如果到了这一步，我还是希望大家能够调整好心态，打好这最后一仗。
加油，奥里给！
——END——