今天想和大家聊聊Python與爬蟲
python之所以能迅速風靡全國，和大街小巷各種的培訓機構脫不開關系。
一會pythonAI未來以來，一會兒4個月培養人工智能與機器學習頂尖人才，更有甚者什么一周成就爬蟲分析師...
我這一把年紀了，膽子小只敢在自己的公眾號里說說。至于出去了，你們該實力互吹、生猛造勢的，我看看就好不說話。
網上經?？吹脚老x的文章，什么爬了幾十萬數據，一把擼下來幾千萬評論的，聽起來高大上又牛逼。
但其實爬蟲工程師，你看網上有幾個招聘的？為什么，因為數據有價！
各大廠做什么網絡解決方案的，怎么解決？不得先把各大運營商數據買回來分析了才去解決嗎？天下哪有白吃的午餐。
爬蟲面臨的問題
-
不再是單純的數據一把抓
多數的網站還是請求來了，一把將所有數據塞進去返回，但現在更多的網站使用數據的異步加載，爬蟲不再像之前那么方便
很多人說js異步加載與數據解析，爬蟲可以做到啊，恩是的，無非增加些工作量，那是你沒遇到牛逼的前端，多數的解決辦法只能靠渲染瀏覽器抓取，效率低下，接著往下走 -
千姿百態的登陸驗證
從12306的說說下面哪個糖是奶糖，到現在各大網站的滑動拼圖、漢子點擊解鎖，這些操作都是在為了阻止爬蟲的自動化運行。
你說可以先登錄了復制cookie，但cookie也有失效期吧？ -
反爬蟲機制
何為反爬蟲？犀利的解釋網上到處搜，簡單的邏輯我講給你聽。你幾秒鐘訪問了我的網站一千次，不好意思，我把你的ip禁掉，一段時間你別來了。
很多人又說了，你也太菜了吧，不知道有爬蟲ip代理池的開源項目IPProxys嗎？那我就呵呵了，幾個人真的現在用過免費的ip代理池，你去看看現在的免費代理池，有幾個是可用的！
再說了，你通過IPProxys代理池，獲取到可用的代理訪問人家網站，人家網站不會用同樣的辦法查到可用的代理先一步封掉嗎？然后你只能花錢去買付費的代理 -
數據源頭封鎖
平時大家看的什么爬爬豆瓣電影網站啊，收集下某寶評論啊....這些都是公開數據。但現在更多的數據逐步走向閉源化。數據的價值越來越大，沒有數據獲取的源頭，爬蟲面臨什么問題？
個人面對爬蟲的態度
學習爬蟲，可以讓你多掌握一門技術，但個人勸你不要在這條路走的太深。沒事兒爬點小東西，學習下網絡知識，掌握些網頁解析技巧就好了。再牛逼的爬蟲框架，也解決不了你沒數據的苦惱。
說說今天內容
扯了一圈了，該回到主題了。
上面說了一堆的爬蟲這不好那不好，結果我今天發的文章確是爬蟲的，自己打自己的臉？
其實我只是想說說網站數據展示與分析的技巧...恰巧Boss直聘就做的很不錯。怎么不錯？一點點分析...
-
數據共享
先來看一張圖：
大興安嶺
我選擇黑龍江省的大興安嶺，去看看那里有招聘python的沒，多數系統查詢不到數據就會給你提示未獲取到相關數據，但Boss直聘會悄悄地吧黑龍江省的python招聘信息給你顯示處理，夠雞~賊。
-
數據限制
大興安嶺沒有搞python的，那我們去全國看看吧：
全國數據
這里差一點就把我坑了，我開始天真的以為，全國只有300條(一頁30條，共10也)python招聘信息。
然后我回過頭去看西安的，也只有10頁，然后想著修改下他的get請求parameters，沒卵用。
這有啥用？仔細想...一方面可以做到放置咱們爬蟲一下獲取所有的數據，但這只是你自作多情，這東西是商機！
每天那么多的商家發布招聘信息，進入不了top100，別人想看都看不到你的消息，除非搜索名字。那么如何排名靠前？答案就是最后倆字，靠錢。你是Boss直聘的會員，你發布的就會靠前....
-
偷換概念
依舊先看圖：
大雜燴
- 我搜索的是ruby，你資料不夠，其他來湊....
-
ip解析
老套路，再來看一張圖：
封“神”榜
感覺人生已經到達了高潮，感覺人生已經到達了巔峰
Boss直聘的服務器里，留著我的痕跡，多么驕傲的事情啊。你們想不想和我一樣？只需要3秒鐘....
三秒鐘內你的訪問量能超過1000，妥妥被封！
-
反反反爬蟲
咱們正常的叫爬蟲，它不讓我們爬，這叫反爬蟲，然后我們用ip代理池的ip，這叫反反爬蟲。結果你發現，人家早就把可用的代理池先一步封了，這叫反反反爬蟲....
免費代理池中，很多代理是不可用或者需要輸入密碼的。好不容易找到一些能用的列表，拉過來添加上發現早就被封掉了，也許是它提前禁掉，也許是別人用過被封了，但結局就是你千辛萬苦找來的，往往最終還是失敗的。
那么我們該怎么辦
-
設置不同的User-Agent
使用pip install fake-useragent安裝后獲取多種User-Agent，但其實本地保存上幾十個，完全夠了.... -
不要太夯（大力）
適當的減慢你的速度，別人不會覺得是你菜....別覺得一秒爬幾千比一秒爬幾百的人牛逼（快槍手子彈打完的早....不算開車吧？）。 -
購買付費的代理
為什么我跳過了說免費的代理？因為現在搞爬蟲的人太多了，免費的基本早就列入各大網站的黑名單了。
說說今天的內容
爬取全國熱點城市的職業，然后對各大城市的薪資進行比較。
你想爬什么職業，自己寫關鍵字即可.....
我當然關注的是python了，所以解析到的原始數據如下：
先來看看python的薪酬榜：
python薪酬榜
看一下西安的排位，薪資平均真的好低.....
至于你說薪資范圍：什么15-20K？放心90%的人入職都只會給你15K的，那10%的人不是你，不是你。
再來看看ruby的：
Ruby薪酬榜
看這感覺比Python高很多啊....但其實呢？跟百度人均公司3W+一樣，你拿人均算？光幾個總裁年薪上億的，就拉上去了....
但還是可以看到一點，西安的薪酬還是好低......
代碼
代碼其實沒有太多講的，篇幅最多的內容，估計就是我的User-Agent了....
# -*- coding: utf-8 -*-
# @Author : 王翔
# @JianShu : 清風Python
# @Date : 2019/6/14 22:23
# @Software : PyCharm
# @version ：Python 3.6.8
# @File : BossCrawler.py
import requests
from bs4 import BeautifulSoup
import csv
import random
import time
import argparse
from pyecharts.charts import Line
import pandas as pd
class BossCrawler:
def __init__(self, query):
self.query = query
self.filename = 'boss_info_%s.csv' % self.query
self.city_code_list = self.get_city()
self.boss_info_list = []
self.csv_header = ["city", "profession", "salary", "company"]
@staticmethod
def getheaders():
user_list = [
"Opera/9.80 (X11; Linux i686; Ubuntu/14.10) Presto/2.12.388 Version/12.16",
"Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14",
"Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0) Opera 12.14",
"Opera/12.80 (Windows NT 5.1; U; en) Presto/2.10.289 Version/12.02",
"Opera/9.80 (Windows NT 6.1; U; es-ES) Presto/2.9.181 Version/12.00",
"Opera/9.80 (Windows NT 5.1; U; zh-sg) Presto/2.9.181 Version/12.00",
"Opera/12.0(Windows NT 5.2;U;en)Presto/22.9.168 Version/12.00",
"Opera/12.0(Windows NT 5.1;U;en)Presto/22.9.168 Version/12.00",
"Mozilla/5.0 (Windows NT 5.1) Gecko/20100101 Firefox/14.0 Opera/12.0",
"Opera/9.80 (Windows NT 6.1; WOW64; U; pt) Presto/2.10.229 Version/11.62",
"Opera/9.80 (Windows NT 6.0; U; pl) Presto/2.10.229 Version/11.62",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; de) Presto/2.9.168 Version/11.52",
"Opera/9.80 (Windows NT 5.1; U; en) Presto/2.9.168 Version/11.51",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; de) Opera 11.51",
"Opera/9.80 (X11; Linux x86_64; U; fr) Presto/2.9.168 Version/11.50",
"Opera/9.80 (X11; Linux i686; U; hu) Presto/2.9.168 Version/11.50",
"Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11",
"Opera/9.80 (X11; Linux i686; U; es-ES) Presto/2.8.131 Version/11.11",
"Mozilla/5.0 (Windows NT 5.1; U; en; rv:1.8.1) Gecko/20061208 Firefox/5.0 Opera 11.11",
"Opera/9.80 (X11; Linux x86_64; U; bg) Presto/2.8.131 Version/11.10",
"Opera/9.80 (Windows NT 6.0; U; en) Presto/2.8.99 Version/11.10",
"Opera/9.80 (Windows NT 5.1; U; zh-tw) Presto/2.8.131 Version/11.10",
"Opera/9.80 (Windows NT 6.1; Opera Tablet/15165; U; en) Presto/2.8.149 Version/11.1",
"Opera/9.80 (X11; Linux x86_64; U; Ubuntu/10.10 (maverick); pl) Presto/2.7.62 Version/11.01",
"Opera/9.80 (X11; Linux i686; U; ja) Presto/2.7.62 Version/11.01",
"Opera/9.80 (X11; Linux i686; U; fr) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.1; U; zh-tw) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.1; U; sv) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.1; U; en-US) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.1; U; cs) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 6.0; U; pl) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 5.2; U; ru) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 5.1; U;) Presto/2.7.62 Version/11.01",
"Opera/9.80 (Windows NT 5.1; U; cs) Presto/2.7.62 Version/11.01",
"Mozilla/5.0 (Windows NT 6.1; U; nl; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6 Opera 11.01",
"Mozilla/5.0 (Windows NT 6.1; U; de; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6 Opera 11.01",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; de) Opera 11.01",
"Opera/9.80 (X11; Linux x86_64; U; pl) Presto/2.7.62 Version/11.00",
"Opera/9.80 (X11; Linux i686; U; it) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.6.37 Version/11.00",
"Opera/9.80 (Windows NT 6.1; U; pl) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.1; U; ko) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.1; U; fi) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.1; U; en-GB) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.1 x64; U; en) Presto/2.7.62 Version/11.00",
"Opera/9.80 (Windows NT 6.0; U; en) Presto/2.7.39 Version/11.00"
]
user_agent = random.choice(user_list)
headers = {'User-Agent': user_agent}
return headers
def get_city(self):
headers = self.getheaders()
r = requests.get("http://www.zhipin.com/wapi/zpCommon/data/city.json", headers=headers)
data = r.json()
return [city['code'] for city in data['zpData']['hotCityList'][1:]]
def get_response(self, url, params=None):
headers = self.getheaders()
r = requests.get(url, headers=headers, params=params)
r.encoding = 'utf-8'
soup = BeautifulSoup(r.text, "lxml")
return soup
def get_url(self):
for city_code in self.city_code_list:
url = "https://www.zhipin.com/c%s/" % city_code
self.per_page_info(url)
time.sleep(10)
def per_page_info(self, url):
for page_num in range(1, 11):
params = {"query": self.query, "page": page_num}
soup = self.get_response(url, params)
lines = soup.find('div', class_='job-list').select('ul > li')
if not lines:
# 代表沒有數據了，換下一個城市
return
for line in lines:
info_primary = line.find('div', class_="info-primary")
city = info_primary.find('p').text.split(' ')[0]
job = info_primary.find('div', class_="job-title").text
# 過濾答非所謂的招聘信息
if self.query.lower() not in job.lower():
continue
salary = info_primary.find('span', class_="red").text.split('-')[0].replace('K', '')
company = line.find('div', class_="info-company").find('a').text.lower()
result = dict(zip(self.csv_header, [city, job, salary, company]))
print(result)
self.boss_info_list.append(result)
def write_result(self):
with open(self.filename, "w+", encoding='utf-8', newline='') as f:
f_csv = csv.DictWriter(f, self.csv_header)
f_csv.writeheader()
f_csv.writerows(self.boss_info_list)
def read_csv(self):
data = pd.read_csv(self.filename, sep=",", header=0)
data.groupby('city').mean()['salary'].to_frame('salary').reset_index().sort_values('salary', ascending=False)
result = data.groupby('city').apply(lambda x: x.mean()).round(1)['salary'].to_frame(
'salary').reset_index().sort_values('salary', ascending=False)
print(result)
charts_bar = (
Line()
.set_global_opts(
title_opts={"text": "全國%s薪酬榜" % self.query})
.add_xaxis(result.city.values.tolist())
.add_yaxis("salary", result.salary.values.tolist())
)
charts_bar.render('%s.html' % self.query)
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument("-k", "--keyword", help="請填寫所需查詢的關鍵字")
args = parser.parse_args()
if not args.keyword:
print(parser.print_help())
else:
main = BossCrawler(args.keyword)
main.get_url()
main.write_result()
main.read_csv()
好了，今天的內容就到這里，如果覺得有幫助，記得點贊支持。歡迎大家關注筆者的公眾號【清風Python】。
來源：清風Python
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
