Python爬虫实战：爬取拉勾网并对其进行数据分析

###整体的思路是采用 selenium 模拟浏览器的行为，具体的步骤如下：

初始化
爬取数据，这里分为两个部分：一是爬取网页数据，二是进行翻页操作
保存数据，将数据保存到文件中
数据可视化

###整体的代码结构如下：

class Lagou:# 初始化def init(self):pass# 爬取网页数据def parse_page(self):pass# 进行翻页操作def turn_page(self):pass# 爬取数据，调用 parse_page 和 turn_pagedef crawl(self):pass# 保存数据，将数据保存到文件中def save(self):pass# 数据可视化def draw(self):passif __name__ == '__main__':obj = Lagou()obj.init()obj.crawl()obj.save()obj.draw()

好，下面我们一起来看一下整个爬虫过程的详细分析吧！！

1、初始化

在初始化的部分，我们完成的工作需要包括以下四个方面：

准备全局变量
启动浏览器
打开起始 URL
设置 cookie

（1）准备全局变量
所谓的全局变量，是指在整个爬虫过程中都需要用到的变量，这里我们定义两个全局变量：

data：储存爬取下来的数据
isEnd：判断爬取是否结束

（2）启动浏览器
启动浏览器的方式大致可以分为两种，一是普通启动，二是无头启动

在普通启动时，整个爬取过程可以可视化，方便调试的时候发现错误

from selenium import webdriver
self.browser = webdriver.Chrome()

而无头启动可以减少渲染时间，加快爬取过程，一般在正式爬取时使用

from selenium import webdriver
opt = webdriver.chrome.options.Options()
opt.set_headless()
self.browser = webdriver.Chrome(chrome_options = opt)

（3）打开起始 URL

首先，我们打开拉勾网的首页（URL：https://www.lagou.com/）

在输入框中输入【python】进行搜索，可以发现网页跳转到如下的 URL：

https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=

然后，我们再次尝试在输入框中输入【爬虫】进行搜索，网页跳转到如下 URL：

https://www.lagou.com/jobs/list_%E7%88%AC%E8%99%AB?labelWords=&fromSearch=true&suginput=

从中，我们不难发现规律，对 URL 进行泛化后可以得到下面的结果（这个也就是我们的起始 URL）：

https://www.lagou.com/jobs/list_{position}?labelWords=&fromSearch=true&suginput=

其中，参数 position 就是我们在输入框中输入的内容（需要进行 URL 编码）

（4）设置 cookie

由于拉勾网对未登录用户的访问数量做了限制，所以在浏览一定数量的网页后，网页会自动跳转到登陆界面：

这时，爬虫就不能正常工作了（当时博主就是在这个地方卡了好久，一直没找出原因）

为了解决上面的问题，我们可以使用 cookie 进行模拟登陆

方便起见，可以直接在浏览器中手动获取 cookie，然后将 cookie 信息添加到 browser 中

（5）初始化部分完整代码

# 初始化
def init(self):# 准备全局变量self.data = list()self.isEnd = False# 启动浏览器、初始化浏览器opt = webdriver.chrome.options.Options()opt.set_headless()self.browser = webdriver.Chrome(chrome_options = opt)self.wait = WebDriverWait(self.browser,10)# 打开起始 URLself.position = input('请输入职位：')self.browser.get('https://www.lagou.com/jobs/list_' + urllib.parse.quote(self.position) + '?labelWords=&fromSearch=true&suginput=')# 设置 cookiecookie = input('请输入cookie：')for item in cookie.split(';'):k,v = item.strip().split('=')self.browser.add_cookie({'name':k,'value':v})

2、爬取数据

在这一部分，我们需要完成以下的两个工作：

爬取网页数据
进行翻页操作

（1）爬取网页数据

在起始页面中，包含有我们需要的职位信息（可以使用 xpath 进行匹配）：

链接：//a[@class="position_link"]
职位：//a[@class="position_link"]/h3
城市：//a[@class="position_link"]/span/em
月薪、经验与学历：//div[@class="p_bot"]/div[@class="li_b_l"]
公司名称：//div[@class="company_name"]/a

这里，我们需要使用 try - except - else 异常处理机制去处理异常，以保证程序的健壮性

（2）进行翻页操作

我们通过模拟点击【下一页】按钮，进行翻页操作

这里，我们同样需要使用 try - except - else 去处理异常

（3）爬取数据部分完整代码

# 爬取网页数据
def parse_page(self):try:# 链接link = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]')))link = [item.get_attribute('href') for item in link]# 职位position = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]/h3')))position = [item.text for item in position]# 城市city = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]/span/em')))city = [item.text for item in city]# 月薪、经验与学历ms_we_eb = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="p_bot"]/div[@class="li_b_l"]')))monthly_salary = [item.text.split('/')[0].strip().split(' ')[0] for item in ms_we_eb]working_experience = [item.text.split('/')[0].strip().split(' ')[1] for item in ms_we_eb]educational_background = [item.text.split('/')[1].strip() for item in ms_we_eb]# 公司名称company_name = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="company_name"]/a')))company_name = [item.text for item in company_name]except TimeoutException:self.isEnd = Trueexcept StaleElementReferenceException:time.sleep(3)self.parse_page()else:temp = list(map(lambda a,b,c,d,e,f,g: {'link':a,'position':b,'city':c,'monthly_salary':d,'working_experience':e,'educational_background':f,'company_name':g}, link, position, city, monthly_salary, working_experience, educational_background, company_name))self.data.extend(temp)# 进行翻页操作
def turn_page(self):try:pager_next = self.wait.until(EC.element_to_be_clickable((By.CLASS_NAME,'pager_next')))except TimeoutException:self.isEnd = Trueelse:pager_next.click()time.sleep(3)# 爬取数据，调用 parse_page 和 turn_page 方法
def crawl(self):count = 0while not self.isEnd :count += 1print('正在爬取第 ' + str(count) + ' 页 ...')self.parse_page()self.turn_page()print('爬取结束')

3、保存数据

接下来，我们将数据储存到 JSON 文件中

# 将数据保存到文件中
def save(self):with open('lagou.json','w',encoding='utf-8') as f:for item in self.data:json.dump(item,f,ensure_ascii=False)

这里，有两个需要注意的地方：

在使用 open() 函数时，需要加上参数 encoding='utf-8'
在使用 dump() 函数时，需要加上参数 ensure_ascii=False

4、数据可视化

数据可视化有利于更直观地展示数据之间的关系，根据爬取的数据，我们可以画出如下 4 个直方图：

工作经验-职位数量
工作经验-平均月薪
学历-职位数量
学历-平均月薪

这里，我们需要用到 matplotlib 库，需要注意一个中文编码的问题，可以使用以下的语句解决：

plt.rcParams['font.sans-serif'] = ['SimHei']

# 数据可视化
def draw(self):count_we = {'经验不限':0,'经验应届毕业生':0,'经验1年以下':0,'经验1-3年':0,'经验3-5年':0,'经验5-10年':0}total_we = {'经验不限':0,'经验应届毕业生':0,'经验1年以下':0,'经验1-3年':0,'经验3-5年':0,'经验5-10年':0}count_eb = {'不限':0,'大专':0,'本科':0,'硕士':0,'博士':0}total_eb = {'不限':0,'大专':0,'本科':0,'硕士':0,'博士':0}for item in self.data:count_we[item['working_experience']] += 1count_eb[item['educational_background']] += 1try:li = [float(temp.replace('k','000')) for temp in item['monthly_salary'].split('-')]total_we[item['working_experience']] += sum(li) / len(li)total_eb[item['educational_background']] += sum(li) / len(li)except:count_we[item['working_experience']] -= 1count_eb[item['educational_background']] -= 1# 解决中文编码问题plt.rcParams['font.sans-serif'] = ['SimHei']# 工作经验-职位数量plt.title(self.position)plt.xlabel('工作经验')plt.ylabel('职位数量')x = ['经验不限','经验应届毕业生','经验1-3年','经验3-5年','经验5-10年']y = [count_we[item] for item in x]plt.bar(x,y)plt.show()# 工作经验-平均月薪plt.title(self.position)plt.xlabel('工作经验')plt.ylabel('平均月薪')x = list()y = list()for item in ['经验不限','经验应届毕业生','经验1-3年','经验3-5年','经验5-10年']:if count_we[item] != 0:x.append(item)y.append(total_we[item]/count_we[item])plt.bar(x,y)plt.show()# 学历-职位数量plt.title(self.position)plt.xlabel('学历')plt.ylabel('职位数量')x = ['不限','大专','本科','硕士','博士']y = [count_eb[item] for item in x]plt.bar(x,y)plt.show()# 学历-平均月薪plt.title(self.position)plt.xlabel('学历')plt.ylabel('平均月薪')x = list()y = list()for item in ['不限','大专','本科','硕士','博士']:if count_eb[item] != 0:x.append(item)y.append(total_eb[item]/count_eb[item])plt.bar(x,y)plt.show()

5、大功告成

（1）完整代码

至此，整个爬虫过程已经分析完毕，完整的代码如下：

from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.common.exceptions import TimeoutException
from selenium.common.exceptions import StaleElementReferenceException
import urllib.parse
import time
import json
import matplotlib.pyplot as plt
'''
遇到不懂的问题？Python学习交流群：1136201545满足你的需求，资料都已经上传群文件，可以自行下载！
'''
class Lagou:# 初始化def init(self):self.data = list()self.isEnd = Falseopt = webdriver.chrome.options.Options()opt.set_headless()self.browser = webdriver.Chrome(chrome_options = opt)self.wait = WebDriverWait(self.browser,10)self.position = input('请输入职位：')self.browser.get('https://www.lagou.com/jobs/list_' + urllib.parse.quote(self.position) + '?labelWords=&fromSearch=true&suginput=')cookie = input('请输入cookie：')for item in cookie.split(';'):k,v = item.strip().split('=')self.browser.add_cookie({'name':k,'value':v})# 爬取网页数据def parse_page(self):try:link = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]')))link = [item.get_attribute('href') for item in link]position = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]/h3')))position = [item.text for item in position]city = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//a[@class="position_link"]/span/em')))city = [item.text for item in city]ms_we_eb = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="p_bot"]/div[@class="li_b_l"]')))monthly_salary = [item.text.split('/')[0].strip().split(' ')[0] for item in ms_we_eb]working_experience = [item.text.split('/')[0].strip().split(' ')[1] for item in ms_we_eb]educational_background = [item.text.split('/')[1].strip() for item in ms_we_eb]company_name = self.wait.until(EC.presence_of_all_elements_located((By.XPATH,'//div[@class="company_name"]/a')))company_name = [item.text for item in company_name]except TimeoutException:self.isEnd = Trueexcept StaleElementReferenceException:time.sleep(3)self.parse_page()else:temp = list(map(lambda a,b,c,d,e,f,g: {'link':a,'position':b,'city':c,'monthly_salary':d,'working_experience':e,'educational_background':f,'company_name':g}, link, position, city, monthly_salary, working_experience, educational_background, company_name))self.data.extend(temp)# 进行翻页操作def turn_page(self):try:pager_next = self.wait.until(EC.element_to_be_clickable((By.CLASS_NAME,'pager_next')))except TimeoutException:self.isEnd = Trueelse:pager_next.click()time.sleep(3)# 爬取数据def crawl(self):count = 0while not self.isEnd :count += 1print('正在爬取第 ' + str(count) + ' 页 ...')self.parse_page()self.turn_page()print('爬取结束')# 保存数据def save(self):with open('lagou.json','w',encoding='utf-8') as f:for item in self.data:json.dump(item,f,ensure_ascii=False)# 数据可视化def draw(self):count_we = {'经验不限':0,'经验应届毕业生':0,'经验1年以下':0,'经验1-3年':0,'经验3-5年':0,'经验5-10年':0}total_we = {'经验不限':0,'经验应届毕业生':0,'经验1年以下':0,'经验1-3年':0,'经验3-5年':0,'经验5-10年':0}count_eb = {'不限':0,'大专':0,'本科':0,'硕士':0,'博士':0}total_eb = {'不限':0,'大专':0,'本科':0,'硕士':0,'博士':0}for item in self.data:count_we[item['working_experience']] += 1count_eb[item['educational_background']] += 1try:li = [float(temp.replace('k','000')) for temp in item['monthly_salary'].split('-')]total_we[item['working_experience']] += sum(li) / len(li)total_eb[item['educational_background']] += sum(li) / len(li)except:count_we[item['working_experience']] -= 1count_eb[item['educational_background']] -= 1# 解决中文编码问题plt.rcParams['font.sans-serif'] = ['SimHei']# 工作经验-职位数量plt.title(self.position)plt.xlabel('工作经验')plt.ylabel('职位数量')x = ['经验不限','经验应届毕业生','经验1-3年','经验3-5年','经验5-10年']y = [count_we[item] for item in x]plt.bar(x,y)plt.show()# 工作经验-平均月薪plt.title(self.position)plt.xlabel('工作经验')plt.ylabel('平均月薪')x = list()y = list()for item in ['经验不限','经验应届毕业生','经验1-3年','经验3-5年','经验5-10年']:if count_we[item] != 0:x.append(item)y.append(total_we[item]/count_we[item])plt.bar(x,y)plt.show()# 学历-职位数量plt.title(self.position)plt.xlabel('学历')plt.ylabel('职位数量')x = ['不限','大专','本科','硕士','博士']y = [count_eb[item] for item in x]plt.bar(x,y)plt.show()# 学历-平均月薪plt.title(self.position)plt.xlabel('学历')plt.ylabel('平均月薪')x = list()y = list()for item in ['不限','大专','本科','硕士','博士']:if count_eb[item] != 0:x.append(item)y.append(total_eb[item]/count_eb[item])plt.bar(x,y)plt.show()if __name__ == '__main__':obj = Lagou()obj.init()obj.crawl()obj.save()obj.draw()

（2）运行过程

下面，我们一起来运行代码看看！

在运行代码时，程序会要求输入【职位】和【cookie】，其中，cookie 的获取方法如下：

进入拉勾网首页，并登陆

使用快捷键 Ctrl+Shift+I 或 F12 打开开发者工具

在输入框中输入【职位（这里的示例为 python）】进行搜索，抓包分析，可以看到 cookie 信息就包含在其中

完整的运行过程如下：

（3）运行结果

注意：本项目代码仅作学习交流使用！！！