位置: 编程技术 - 正文

python制作爬虫并将抓取结果保存到excel中(怎么用python做爬虫)

编辑:rootadmin

推荐整理分享python制作爬虫并将抓取结果保存到excel中(怎么用python做爬虫),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:利用python进行爬虫,python 写爬虫,python爬虫怎么弄,python爬虫怎么弄,python爬虫定制,用python做网络爬虫,怎么用python做爬虫,怎么用python做爬虫,内容如对您有帮助,希望把文章链接给更多的朋友!

学习Python也有一段时间了,各种理论知识大体上也算略知一二了,今天就进入实战演练:通过Python来编写一个拉勾网薪资调查的小爬虫。

第一步:分析网站的请求过程

我们在查看拉勾网上的招聘信息的时候,搜索Python,或者是PHP等等的岗位信息,其实是向服务器发出相应请求,由服务器动态的响应请求,将我们所需要的内容通过浏览器解析,呈现在我们的面前。

可以看到我们发出的请求当中,FormData中的kd参数,就代表着向服务器请求关键词为Python的招聘信息。

分析比较复杂的页面请求与响应信息,推荐使用Fiddler,对于分析网站来说绝对是一大杀器。不过比较简单的响应请求用浏览器自带的开发者工具就可以,比如像火狐的FireBug等等,只要轻轻一按F,所有的请求的信息都会事无巨细的展现在你面前。

经由分析网站的请求与响应过程可知,拉勾网的招聘信息都是由XHR动态传递的。

我们发现,以POST方式发出的请求有两个,分别是companyAjax.json和positionAjax.json,它们分别控制当前显示的页面和页面中包含的招聘信息。

可以看到,我们所需要的信息包含在positionAjax.json的Content->result当中,其中还包含了一些其他参数信息,包括总页面数(totalPageCount),总招聘登记数(totalCount)等相关信息。

第二步:发送请求,获取页面

知道我们所要抓取的信息在哪里是最为首要的,知道信息位置之后,接下来我们就要考虑如何通过Python来模拟浏览器,获取这些我们所需要的信息。

其中比较关键的步骤在于如何仿照浏览器的Post方式,来包装我们自己的请求。

python制作爬虫并将抓取结果保存到excel中(怎么用python做爬虫)

request包含的参数包括所要抓取的网页url,以及用于伪装的headers。urlopen中的data参数包括FormData的三个参数(first、pn、kd)

包装完毕之后,就可以像浏览器一样访问拉勾网,并获得页面数据了。

第三步:各取所需,获取数据

获得页面信息之后,我们就可以开始爬虫数据中最主要的步骤:抓取数据。

抓取数据的方式有很多,像正则表达式re,lxml的etree,json,以及bs4的BeautifulSoup都是python3抓取数据的适用方法。大家可以根据实际情况,使用其中一个,又或多个结合使用。

第四步:将所抓取的信息存储到excel中

获得原始数据之后,为了进一步的整理与分析,我们有结构有组织的将抓取到的数据存储到excel中,方便进行数据的可视化处理。

这里我用了两个不同的框架,分别是老牌的xlwt.Workbook、以及xlsxwriter。

首先是xlwt,不知道为什么,xlwt存储到多条数据之后,会存储不全,而且excel文件也会出现“部分内容有问题,需要进行修复”我检查了很多次,一开始以为是数据抓取的不完全,导致的存储问题。后来断点检查,发现数据是完整的。后来换了本地的数据进行处理,也没有出现问题。我当时的心情是这样的:

到现在我也没弄明白,有知道的大神希望能告诉我&#;(&#;ε&#;&#;) 

这是使用xlsxwriter存储的数据,没有问题,可以正常使用。

到从为止,一个抓取拉勾网招聘信息的小爬虫就诞生了。

附上源码

还有许多功能可以添加,比如说通过修改city参数查看不同城市的招聘信息啦等等,大家可以自行开发,这里只做抛砖引玉之用,欢迎交流,

python文件的md5加密方法 本文实例讲述了python文件的md5加密方法。分享给大家供大家参考,具体如下:简单模式:fromhashlibimportmd5defmd5_file(name):m=md5()a_file=open(name,'rb')#需要使用二

python socket多线程通讯实例分析(聊天室) 本文实例讲述了pythonsocket多线程通讯方法。分享给大家供大家参考,具体如下:#!/usr/bin/evnpython"""这是一个Socket+多进程的例子(聊天服务端)"""importsocke

python多进程共享变量 本文实例为大家分享了python多进程共享变量的相关代码,供大家参考,具体内容如下frommultiprocessingimportProcess,ManagerimportosimporttimeclassMulFun():def__init__(self)

标签: 怎么用python做爬虫

本文链接地址:https://www.jiuchutong.com/biancheng/385266.html 转载请保留说明!

上一篇:python基于隐马尔可夫模型实现中文拼音输入(python 隐函数作图)

下一篇:python文件的md5加密方法(md5加密python)

  • 纳税等级怎么从M变成B需要什么条件
  • 个人独资企业的责任承担
  • 济南非税是什么意思
  • 地方教育附加税税率多少?
  • 电汇凭证的会计怎么做账
  • 增值税发票税控开票软件怎么下载
  • 税务局季度报表怎么做
  • 企业清算的资产包括
  • 幼儿园伙食收支盈亏比例
  • 合法有效的凭证
  • 收到上个月支付的短信
  • 营改增后银行增值税如何缴纳
  • 上市公司现金分红对股价的影响
  • 网上办税服务厅app下载
  • 金融资产包括哪三大类及会计科目
  • windowsserver2003设置用户密码
  • 激活windows11怎么激活
  • linux连接windows的服务redis
  • 财务费用增加记借方还是贷方
  • 对公转账先打钱后转账
  • 中介公司收取中介费过高违法吗
  • 发出商品借方余额120000元
  • 腾讯电脑管家怎么修复dll
  • 应届生能参考注册公司吗
  • 宏病毒感染的文件类型是什么
  • 在windows 7中
  • 商品房缴纳维修基金的规定
  • 新成立公司工会经费什么时候交
  • 异地存放货物的规定
  • PHP:session_status()的用法_Session函数
  • 估价入库金额怎么来
  • 企业所得税征收点
  • 不良品返修流程
  • 银行转来委托收款
  • 西安微信公众号开发
  • 金税盘干嘛用
  • php知识点汇总与解答
  • 房产原值是否含增值税
  • 报销还款人民币是什么意思
  • mongodb安装使用
  • 固定资产的核算内容包括
  • 物业广告怎么收费
  • 销售代销货物会计处理
  • 企业盘亏的原因怎么写
  • 企业注销后账务保留多久
  • 借款收回的会计科目
  • 低值易耗品如何摊销
  • 上年度计提多了的奖金怎么办
  • 以前年度不合规发票如何调年报
  • 契税在计算利润时不扣除吗
  • 补交增值税如何入账
  • 企业会计准则基本准则
  • sql注入修补方法
  • mysql 备份和恢复
  • mysql数据库简单介绍
  • win7系统一键还原方法
  • 使用删除命令删除硬盘文件后
  • Windows Server 2008虚拟技术说明
  • 服务器维护和计划的区别
  • linux的压缩包
  • centos7 pptp搭建
  • winpatrol.exe - winpatrol是什么进程
  • win7禁用administrator登录
  • window8更新10
  • 怎么恢复被破坏的文件
  • ubuntu怎样调出命令行
  • mac休眠怎么设置
  • centos怎么安装
  • linux常用命令touch
  • 用js自定义函数生成表格
  • javascript控制语句
  • unity-chan
  • 《JavaScript高级程序设计》pdf链接
  • jquery设置单选框
  • javascript学习指南
  • 国家税务总局增值税发票查验平台网址
  • 举报电话12345管用吗
  • 国地税合并公告
  • 纳税人的种类包括
  • 小规模纳税人土地使用税减免政策
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设