3000字 “婴儿级” 爬虫图文教学 | 手把手教你用Python爬取 “实习网”！

快学Python

发布于 2021-08-09 14:38:07

2980

发布于 2021-08-09 14:38:07

文章被收录于专栏：快学Python快学Python

人生苦短，快学Python！

这篇文章，是专门为那些 "刚学习" Python爬虫的朋友，而专门准备的文章。希望你看过这篇文章后，能够清晰的知道整个"爬虫流程"。从而能够 "独立自主" 的去完成，某个简单网站的数据爬取。

好了，咱们就开始整个“爬虫教学”之旅吧！

页面分析

你要爬取的网站是什么？

首先，我们应该清楚你要爬去的网站是什么？

由于这里我们想要爬取的是 “实习网” 中的数据，因此我们可以打开这个网站看看（如图所示）。实习网：https://www.shixi.com/search/index

由于我们想要爬取 "数据分析" 岗位的数据。因此，直接在输入框输入数据分析即可。

这里是我们要的最终页面链接：https://www.shixi.com/search/index?key=数据分析

观察下图，可以清楚看到有哪些数据，下面还有页面信息。我们需要了解这些：一个页面中共有多少条数据。这个很重要，后面可以帮你检查，是否爬取到了每个页面的所有信息。

图中显示的是 "一级页面" 中的信息，点击任意一个 “岗位名”，会自动跳转到 "二级页面"。

以点击 “数据分析实习生" 为例，原来二级页面是这样的。

要爬取页面上的哪些信息？

这里我们获取的不仅有一级页面中的信息，还有二级页面中的信息。

在一级页面中（如图所示），我们获取到的有“公司名”、“岗位名”、“公司地址”、“学历”、“薪资”。

在二级页面中（如图所示），我们获取到的有“岗位需求”、“公司类型”、“公司规模”。

好了，这里一共有8个数据，是我们要获取的数据，这就是我们的 “爬虫目的”。

是 “静态”还是“动态”网页？

如果你请求某个网页，网页的信息是一次性给你的，那么它就是 “静态网页”。

如果你请求某个网页，网页中的信息，随着你鼠标往下滑动，而慢慢展现出来，那么它就是 “动态网页”，即 “Ajax技术”。

那么它们的区别就在于：静态网页中的数据，是一次性给你。动态网页中的数据，是随着页面一步步加载出来，而逐步呈现的，也就是你用静态网页的爬虫技术，无法获取到其中所有的数据。

这里有一个很好 “检验” 是静态网页还是动态网页的方法，我给大家介绍一下。

点击 “鼠标右键”，点击 “查看网页源代码”。

最终效果如下（部分截图）：

这其实就是你请求这个网页，最终返回给你的信息。你要爬取的数据，如果在里面都能找到，大致可以判断是 “静态网页”，如果找不到，大致可以考虑是 “动态网页”。

怎么查找呢？

在上述页面，可以点击 “ctrl + f”，调出搜索框（如图所示），你将网页中的数据，粘贴进来，看看能否显示即可。

当然，今天这堂课是小白教程，肯定教你的是一个 “静态网页”。但是没关系呀，这些知识你都知道了。

如何定位数据

在正式写代码之前，你肯定要知道，你想要用哪种方式，来帮你解析数据。常见的Python爬虫解析数据的方法有：re正则表达式、xpath、beautifulsoup、pyquery等。

本文我采用的将会是xpath解析法。

好了，我们接着就来定位数据吧！

点击 “鼠标右键”，再点击 “审查元素”。【或者直接按电脑上的F12键】

此时，会出现如下页面。

这其实是一个“桥梁”，帮助我们建立起 “网页” 与 “源代码” 之间的关系定位。

那么，应该怎么使用它呢？（观察下图三个步骤）

首先，单击①处。接着，光标指向你要定位的数据（②）。此时，在③处，他回自动跳转到你想要定位的数据，在源码中的位置。

这个对于我们写代码超级有帮助，也是最基本的操作。

关于怎么解析数据，我就不在详细说明。因为，这也不是今天这篇文章能够讲清楚的。

今天我就是想让你掌握 “爬虫技术” 的流程。因此，接下来我会为大家讲述整个代码的爬虫思路。

爬虫代码讲解

这里我将会分步为大家讲解整个爬虫流程，这种文章只写这一篇，刚学Python的朋友，一定要看哦！

导入相关库

import pandas as pd # 用于数据存储
import requests # 用于请求网页
import chardet # 用于修改编码
import re # 用于提取数据
from lxml import etree # 解析数据的库
import time # 可以粗糙模拟人为请求网页的速度
import warnings # 忽略代码运行时候的警告信息
warnings.filterwarnings("ignore")

请求一级页面的网页源代码

url = 'https://www.shixi.com/search/index?key=数据分析&districts=&education=0&full_opportunity=0&stage=0&practice_days=0&nature=0&trades=&lang=zh_cn'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
rqg = requests.get(url, headers=headers, verify=False) ①
rqg.encoding = chardet.detect(rqg.content)['encoding'] ②
html = etree.HTML(rqg.text)

这里我们仅仅讲述①②两处。在①处，有两个参数，一个是headers一个是verify。其中headers是一种反反扒的措施，让浏览器认为爬虫不是爬虫，而是人在用浏览器去正常请求网页。verify是忽略安全证书提示，有的网页会被认为是一个不安全的网页，会提示你，这个参数你记住就行。

在②处，我们已经获取到了网页的源码。但是由于网页源代码的编码方式和你所在电脑的解析方式，有可能不一致，返回的结果会导致乱码。此时，你就需要修改编码方式，chardet库可以帮你自动检测网页源码的编码（不懂得再下去研究一下这个库）。

解析一级页面网页中的信息

# 1. 公司名
company_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
company_list = [company_list[i].strip() for i in range(len(company_list)) if i % 2 != 0]

# 2. 岗位名
job_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
job_list = [job_list[i].strip() for i in range(len(job_list)) if i % 2 == 0]

# 3. 地址
address_list = html.xpath('//div[@class="job-pannel-two"]//a/text()')

# 4. 学历
degree_list = html.xpath('//div[@class="job-pannel-list"]//dd[@class="job-des"]/span/text()')

# 5. 薪资
salary_list = html.xpath('//div[@class="job-pannel-two"]//div[@class="company-info-des"]/text()')
salary_list = [i.strip() for i in salary_list]

# 获取二级页面的链接
deep_url_list = html.xpath('//div[@class="job-pannel-list"]//dt/a/@href')
x = "https://www.shixi.com"
deep_url_list = [x + i for i in deep_url_list]

此时，你可以看到，我直接采用xpath一个个去解析一级页面中的数据分析。在代码末尾，可以看到：我们获取到了二级页面的链接，为我们后面爬取二级页面中的信息，做准备。

解析二级页面网页中的信息

demand_list = []
area_list = []
scale_list = []

for deep_url in deep_url_list:
    rqg = requests.get(deep_url, headers=headers, verify=False) ①
    rqg.encoding = chardet.detect(rqg.content)['encoding'] ②
    html = etree.HTML(rqg.text) ③
    
    # 6. 需要几人
    demand = html.xpath('//div[@class="container-fluid"]//div[@class="intros"]/span[2]/text()')
    
    # 7. 公司领域
    area = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[1]/span/text()')

    # 8. 公司规模
    scale = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[2]/span/text()')
    
    demand_list.append(demand)
    area_list.append(area)
    scale_list.append(scale)

记住：二级页面也是页面呀，你要想获取到其中的消息，你就必须再次请求该网页。因此，你可以看到①②③处的代码，可上面写的代码，就是一模一样的。

翻页操作

https://www.shixi.com/search/index?key=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=1
https://www.shixi.com/search/index?key=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=2
https://www.shixi.com/search/index?key=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=3

随意复制几个不同页面的url，观察它们的区别。这里可以看到，也就page参数后面的数字不同，是第几页，数字就是几。

x = "https://www.shixi.com/search/index?key=数据分析&page="
url_list = [x + str(i) for i in range(1,61)]

由于我们爬取了60页的数据，这里就构造出了60个url，他们都存在url_list这个列表中。

我们现在来看看整个代码吧，我就不再文字叙述了，直接在代码中写好了注释。

import pandas as pd
import requests
import chardet
import re
from lxml import etree
import time
import warnings
warnings.filterwarnings("ignore")

def get_CI(url):
 # ① 请求获取一级页面的源代码 
    url = 'https://www.shixi.com/search/index?key=数据分析&districts=&education=0&full_opportunity=0&stage=0&practice_days=0&nature=0&trades=&lang=zh_cn'
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
    rqg = requests.get(url, headers=headers, verify=False)
    rqg.encoding = chardet.detect(rqg.content)['encoding']
    html = etree.HTML(rqg.text)
    
    # ② 获取一级页面中的信息：一共有ⅠⅡⅢⅣⅤ个信息。
    # Ⅰ 公司名
    company_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
    company_list = [company_list[i].strip() for i in range(len(company_list)) if i % 2 != 0]

    # Ⅱ 岗位名
    job_list = html.xpath('//div[@class="job-pannel-list"]//div[@class="job-pannel-one"]//a/text()')
    job_list = [job_list[i].strip() for i in range(len(job_list)) if i % 2 == 0]
    
    # Ⅲ 地址
    address_list = html.xpath('//div[@class="job-pannel-two"]//a/text()')
    
    # Ⅳ 学历
    degree_list = html.xpath('//div[@class="job-pannel-list"]//dd[@class="job-des"]/span/text()')
    
    
    # Ⅴ 薪资
    salary_list = html.xpath('//div[@class="job-pannel-two"]//div[@class="company-info-des"]/text()')
    salary_list = [i.strip() for i in salary_list]

    # Ⅵ 获取二级页面的内容
    deep_url_list = html.xpath('//div[@class="job-pannel-list"]//dt/a/@href')
    x = "https://www.shixi.com"
    deep_url_list = [x + i for i in deep_url_list]
    
    demand_list = []
    area_list = []
    scale_list = []

    # ③ 获取二级页面中的信息：一共有ⅠⅡⅢ三个信息。
    for deep_url in deep_url_list:
        rqg = requests.get(deep_url, headers=headers, verify=False)
        rqg.encoding = chardet.detect(rqg.content)['encoding']
        html = etree.HTML(rqg.text)
        
        # Ⅰ  需要几人
        demand = html.xpath('//div[@class="container-fluid"]//div[@class="intros"]/span[2]/text()')
        
        # Ⅱ 公司领域
        area = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[1]/span/text()')

        # Ⅲ 公司规模
        scale = html.xpath('//div[@class="container-fluid"]//div[@class="detail-intro-title"]//p[2]/span/text()')
        
        demand_list.append(demand)
        area_list.append(area)
        scale_list.append(scale)
     
    # ④ 将每个页面获取到的所有数据，存储到DataFrame中。
    data = pd.DataFrame({'公司名':company_list,'岗位名':job_list,'地址':address_list,"学历":degree_list,
                         '薪资':salary_list,'岗位需求量':demand_list,'公司领域':area_list,'公司规模':scale_list})
    return(data)

x = "https://www.shixi.com/search/index?key=数据分析&page="
url_list = [x + str(i) for i in range(1,61)] 

res = pd.DataFrame(columns=['公司名','岗位名','地址',"学历",'薪资','岗位需求量','公司领域','公司规模'])

# ⑤ 这里进行“翻页”操作
for url in url_list:
    res0 = get_CI(url)
    res = pd.concat([res,res0])
    time.sleep(3)

# 保存数据
res.to_csv('aliang.csv',encoding='utf_8_sig')

好了，本文就讲述到这里。其实对于一个爬虫初学者来说内容已经够多了，好好下去消化。

人生苦短，快学Python

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2021-06-18，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫