Python | 数据分析实战Ⅰ-白红宇

“Talk is cheap,Show me the code.”翻译为中文是“废话少说，放码过来。”我觉得可谓信达雅。

在编程之路上，实践的重要性无可比拟。这也是很多同学感觉学了很多，但还是不会写代码的原因；也是很多有意转行的人士，自学了大半年，仍不见起色的缘故。

leoxin在知识星球发起一项活动：目标是爬取拉钩网的招聘信息以及链家的房产信息，然后对数据进行清洗和存储，并分析其数据下的价值，最后用可视化的形式表现出来。我觉得难度适中，循序渐进，对于不同身份角色的学习人群都大有裨益。

下面我来写一写在第一阶段的一些学习操作总结和感受。

爬虫

构思/准备部分

首先打开,我初步选择的是Java-上海

Step1

打开浏览器开发者工具，观察Network部分的内容，首先点进Doc部分，看看服务器给我们返回了哪些文本内容。

在Preview预览中，我们可以看到，大部分都是一些公共视图框架和公共JS代码，没有核心数据。

那么这时我们就应该猜测，网站可能是首先渲染一个公共框架，然后再通过Ajax发送请求去获得数据，再在页面上显示获取的数据。

Step2

通过Step1的思考和猜测，大致确定了数据是异步获取的。做过一点web的应该都想得到这一点，因为即使是反爬，也要按照基本法啊！应该不会使用多么多么匪夷所思的黑科技（如果真的出现了，那是我太菜了的原因(っ °Д °;)っ）

这时点开XHR按钮，XHR全称XMLHttpRequest，有什么作用呢？Ajax通过XMLHttpRequest对象发出HTTP请求，得到服务器返回的数据。

通过预览我们可以发现，我们需要的数据都出现在positionAjax请求下返回的数据中，参见content-positionResult-result中。

那么该如何伪造请求？

点进Headers，首先发现Request Method的值是POST，确定了我们提交请求的方式。然后看看Request Headers中的字段。

发现有好多条。

Accept:application/json, text/javascript, */*; q=0.01Accept-Encoding:gzip, deflate, brAccept-Language:zh-CN,zh;q=0.9Connection:keep-aliveContent-Length:23Content-Type:application/x-www-form-urlencoded; charset=UTF-8Cookie:XXXHost:www.lagou.comOrigin:https://www.lagou.comReferer:https://www.lagou.com/jobs/list_Java?px=default&city=%E4%B8%8A%E6%B5%B7User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36X-Anit-Forge-Code:0X-Anit-Forge-Token:NoneX-Requested-With:XMLHttpRequest复制代码

通过筛选，我们选取其中有用的几条，构建自己的请求头。（那么怎么知道哪些是有用的呢？首先筛除语言，编码之类的，这些的影响一般都是比较小的；接着在剩下的字段中进行尝试，等以后有经验了，自然能准确选取有价值的字段）

由于是POST的请求方式，那么势必会向服务器提交一些数据，可以看到表单信息:

first:truepn:1kd:Java复制代码

实现/代码部分

Step1

在进行上述分析后，基本已经准备得差不多了。这时可以先简单构建一下我们的Proxy类。

class Proxy():    def __init__(self):        self.MAX=5 #最大嗅探次数        self.headers={            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",            "Referer":"https://www.lagou.com/jobs/list_Java?px=default&city=%E4%B8%8A%E6%B5%B7",            "X-Anit-Forge-Code":"0",            "X-Anit-Forge-Token":"None",            "X-Requested-With":"XMLHttpRequest"        }    def getPage(self,url,data):        FAILTIME=0 #访问失败次数        try:            result=requests.post(url,headers=self.headers,data=data)            result.encoding = "utf-8"            return result        except:            FAILTIME+=1            if FAILTIME==self.MAX:                print("访问错误")                return ''复制代码

上文中提到，发现Ajaxposition返回的content-positionResult-result数据,数据格式是一个数组里有15条数据，每条数据的格式是一个字典，具体如下：

adWord:9appShow:0approve:1businessZones:["唐镇", "唐镇", "曹路", "曹路"]city:"上海"companyFullName:"招商银行股份有限公司信用卡中心"companyId:6796companyLabelList:["金融科技银行", "技术创新驱动", "奋斗独立改变", "一年两次调薪"]companyLogo:"i/image2/M00/25/D7/CgoB5lodmL2AJHxrAABieRjcJjU514.png"companyShortName:"招商银行信用卡中心"companySize:"2000人以上"createTime:"2018-03-09 09:14:30"deliver:0district:"浦东新区"education:"本科"explain:nullfinanceStage:"上市公司"firstType:"开发/测试/运维类"formatCreateTime:"09:14发布"gradeDescription:nullhitags:nullimState:"today"industryField:"移动互联网,金融"industryLables:[]isSchoolJob:0jobNature:"全职"lastLogin:1520581074000latitude:"31.247248"linestaion:nulllongitude:"121.673868"pcShow:0plus:nullpositionAdvantage:"五险一金,职位晋升,各类补贴"positionId:2762378positionLables:["项目管理", "j2ee", "架构"]positionName:"Java技术经理"promotionScoreExplain:nullpublisherId:73936resumeProcessDay:1resumeProcessRate:100salary:"30k-50k"score:0secondType:"管理岗"stationname:nullsubwayline:nullworkYear:"5-10年"复制代码

可见返回了大量的信息，那么我们如何去获得这些数据？此时可以写一个简单的Job类：

class Job:    def __init__(self):        self.datalist=[]    def getJob(self,url,data):        p=Proxy()        result=p.getPage(url,data)        result.encoding = "utf-8"        result_dict=result.json()        try:            job_info = result_dict['content']['positionResult']['result']            for info in job_info:                print(info)            return job_info        except:            print("发生解析错误")       复制代码

使用getJob方法获取的是所有的信息，这其实是不必要的，应该也有所选择，否则将给自己带来压力，对于后续步骤也将带来不便。

Step2

此时，一个简单的爬虫已经编写得差不多了，我们可以进行测试一下。编写主函数

if __name__ == '__main__':    url="https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E4%B8%8A%E6%B5%B7&needAddtionalResult=false&isSchoolJob=0"    job = Job()    all_page_info=[]    for x in range(1,31):        data = {            "first": "false",            "pn": x,            "kd": "Java"        }        current_page_info=job.getJob(url,data)        all_page_info.extend(current_page_info)        print("第%d页已经爬取成功"%x)        time.sleep(5)复制代码

可以看到控制台显示：

总结

到这里，一个简单的爬虫已经编写完毕了，数据以json格式返回，似乎已经大功告成。而事实是，对于为后面的数据分析做准备工作还差得远，对于爬取海量数据，下面有几点思考。

拉钩网对于同一ip的大量请求行为肯定会进行封禁，所以需要准备代理池。

为了实现高自动化，需要对一系列可能出现的异常情况进行处理，断点处理，确保程序不挂。

为了提高效率，加入多线程。

数据持久化，在持久化之前需要先进行清洗。

......

针对以上问题，需要进一步学习。