通俗易懂的分析如何用Python实现一只小爬虫，爬取拉勾网的职位信息

更多腾讯海量技术文章，请关注云加社区：https://cloud.tencent.com/developer/column

作者：nnngu

源代码：https://github.com/nnngu/LagouSpider

效果预览

思路

1、首先我们打开拉勾网，并搜索“java”，显示出来的职位信息就是我们的目标。

2、接下来我们需要确定，怎样将信息提取出来。

查看网页源代码，这时候发现，网页源代码里面找不到职位相关信息，这证明拉勾网关于职位的信息是异步加载的，这也是一种很常用的技术。

异步加载的信息，我们需要借助 chrome 浏览器的开发者工具进行分析，打开开发者工具的方法如下：

点击Nerwork进入网络分析界面，这时候是一片空白，刷新一下界面就可以看到一系列的网络请求了。

前面我们说到，拉勾网关于职位的信息是异步加载的，那么在这一系列的网络请求中，必定有某个请求发送给服务器，响应回来的是职位信息。

正常情况下，我们可以忽略css，图片等类型的请求，关注点放在XHR这种类型请求上，如图：

一共4个XHR类型的请求，我们逐个打开对比，分别点击Preview就能看到它们响应的内容。

发现第一个请求就是我们要找的。如图：

点击Headers，查看一下请求参数。如下图：

到此，我们可以确定city参数就是城市，pn参数就是页数，kd参数就是搜索关键字。

接下来开始写代码了。

代码

代码分成四个部分，便于后期维护。

1、基本 https 请求https.py

这部分对 requests 包进行了一些封装，部分代码如下：

这里只展示了一部分代码，完整代码已上传到Github

2、代码主逻辑部分main.py

这部分的程序逻辑，如下：

获取职位信息

3、信息解析部分

parse.py

这部分针对服务器返回的职位信息的特点，进行解析，如下：

这里只展示了一部分代码，完整代码已上传到Github

4、配置部分setting.py

这部分加入 cookies 的原因是为了应对拉勾网的反爬，长期使用需要进行改进，进行动态 cookies 获取

测试

运行结果：

爬取结束后，在src目录下就可以看到爬虫爬取到的数据。

到此，拉勾网的职位信息抓取就完成了。完整代码已经上传到我的Github