2018 02 11 告别选择困难症——webmagic爬虫爬取拉勾网职位信息

我好久没来csdn写文章了，为什么呢？说句实话，其实不是自己不来写文章了，而是自己太关注形式化的东西了，有一段时间把文章写在github上面，感觉有自己的站点很特殊，很与众不同。其实用github来写文章确实是很不错的，使用mackdown标记语言给人一种高效编写的感觉。所以打算好好利用这两个平台，csdn的简洁性，可以让自己在使用windows系统时写一写技术文章同时很好地与他人进行评论交流。在使用linux系统时，可以利用终端的特性，使用git，写一写博客。行了，自己不在纠结了，就这么定了。编程练习固然重要，但是不总结也难以有收获。只希望把自己所遇、所悟、所感都记录成文字，这样一步一步积累，最终希望自己有一个质的蜕变。
————————————————————————————————————————————————————
下面介绍webmagic爬虫，爬取拉勾网的职位信息。
第一步：利用chrome和火狐检查链接



查看链接后，我们检查元素会发现这个链接不是我们需要的，因为类似于这种网站，数据的传输都是利用ajax的，所以进行第二步。
第二步：启用chrome调试，抓包分析



点击xhr（XmlHttpRequrest）F12后，可以看见以上ajax链接，从名字便可以看出来，第一个便是我们所需要的职位信息，点击链接查看详细信息。



如上图所示，request-header信息全部显示在右侧，这个信息至关重要，因为这是你能够访问这个链接的重要认证。下面看一下此链接所传输的数据，点击Preview如下图所示：



所有的职位信息都在这了，当然这也是固定页的职位信息，当页数不一样时，传递的职位信息不一样，这个需要考虑到post请求，后面会讲到。好，接下来，正式爬取。请看代码 private Site site = Site.me()
.setRetryTimes(3)
.setSleepTime(1000)
.addHeader("Accept","application/json, text/javascript, */*; q=0.01")
.addHeader("Accept-Encoding","gzip, deflate, br")
.addHeader("Accept-Language","zh-CN,zh;q=0.8")
.addHeader("Connection","keep-alive")
//.addHeader("Content-Length","23")
.addHeader("Content-Type","application/x-www-form-urlencoded; charset=UTF-8")
.addHeader("Cookie","Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1516684224,1516688332,1516708458,1517989813; _ga=GA1.2.803780703.1515996477; user_trace_token=20180115140756-6e315eee-f9ba-11e7-a353-5254005c3644; LGUID=20180115140756-6e316229-f9ba-11e7-a353-5254005c3644; index_location_city=%E5%85%A8%E5%9B%BD; JSESSIONID=ABAAABAAADEAAFI7B8A950147564B82F61A115D162E1281; LGSID=20180207155015-888d0972-0bdb-11e8-bdd2-525400f775ce; LGRID=20180207163606-f07d2f3d-0be1-11e8-af98-5254005c3644; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1517992563; TG-TRACK-CODE=index_navigation; SEARCH_ID=ada31aea74d74f0ba5625adf851d1c6f; X_HTTP_TOKEN=4235610f3926fcdc9a4b942f0c350399; _putrc=0DA9DA012C722A8E; login=true; unick=%E7%8E%8B%E5%86%B6; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=0; gate_login_token=fc49718b5340e22bfe7adebb2937015b765f94906d1f154c; _gat=1")
.addHeader("Host","www.lagou.com")
.addHeader("Origin","https://www.lagou.com")
.addHeader("Referer","https://www.lagou.com/jobs/list_Java")
.addHeader("User-Agent","-Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3095.5 Mobile Safari/537.36")
.addHeader("X-Anit-Forge-Code","0")
.addHeader("X-Anit-Forge-Token","None")
.addHeader("X-Requested-With","XMLHttpRequest");这段代码，熟悉webmagic可以迅速看懂，设置site，这里建议大家写成这样，可以清楚地看出自己哪些请求头参数没有填写，重点讲解一下：
1.Cookie ： 其实cookie便是模拟登陆的简单实现，也可以通过发送post请求，实现登录。请记住，此处的cookie一定是你登录后浏览这一页的时候的cookie
2.User-Agent ：用户代理，这个并不是IP代理，而是一般网站的反爬机制。
3.Referer：这个东西是拉钩网目前为止的反爬机制，其实这个标记，它代表这你访问当前链接的上一个链接，就是你是在A页面点击跳转到B页面，那么B页面的Referer便是A链接。查看后，你会发现当前页面的referer链接为： https://www.lagou.com/jobs/list_Java?px=default&city=%E5%8C%97%E4%BA%AC
你可能会问这么多参数，万一变化怎么办，其实都是骗人的，我们打开火狐浏览器检验一下：
点击编辑和重发



重新填写请求，将referer的链接参数去掉：



点击发送请求，查看显示JSON信息，可以看到，返回的JSON信息完全一样，可见参数不会影响。



4. Content-Length:可以看到这个属性注释掉了，为什么？请看google给出的解释：
content length是指报头以外的内容长度。 一般的服务器实现中，超过这个长度的内容将被抛弃。 不会产生新post。 如果短于内容长度，协议要求服务器返回400错误信息Bad Request(不正确的请求)的。所以，一定要注释掉！

第三步：简单爬取JSON数据： public void process(Page page)
{

// this.processBeiJing(page);
// this.processTianJin(page);
page.putField("position",new JsonPathSelector("$.content.positionResult.result[*].positionName").selectList(page.getRawText()));

}
public static void main(String []argv)
{
Spider.create(new LaGouSpider())
.addUrl("https://www.lagou.com/jobs/positionAjax.json?px=default&city=北京&needAddtionalResult=false&isSchoolJob=0")
.thread(2)
.run();
}写到这里，可以看出，爬虫重在分析！爬虫截图如下：



接下来，讲述一下发送post请求获取，分页的职位信息：



可以看到，这个页面共有30页，那每一页的链接又是怎么来的呢？请看下图：



可以看到，first表示是否初次访问页面，pn表示页号，kd是关键字。那好了，我们只需要模拟发送30post请求，便可获取到不同页面的JSON信息。并且，webmagic提供了很好地POST方法，详情请看webmagic文档。代码如下： public void processBeiJing(Page page)
{
if(flag==0)
{

Request [] requests = new Request[3];
Map<String,Object> map = new HashMap<String, Object>();
for(int i=0;i<requests.length;i++)
{
requests[i] = new Request("https://www.lagou.com/jobs/positionAjax.json?px=default&city=北京&needAddtionalResult=false&isSchoolJob=0");
requests[i].setMethod(HttpConstant.Method.POST);
if(i==0)
{
map.put("first","true");
map.put("pn",i+1);
map.put("kd","java");
requests[i].setRequestBody(HttpRequestBody.form(map,"utf-8"));
page.addTargetRequest(requests[i]);
}
else
{
map.put("first","false");
map.put("pn",i+1);
map.put("kd","java");
requests[i].setRequestBody(HttpRequestBody.form(map,"utf-8"));
page.addTargetRequest(requests[i]);
}
}

flag++;
}
}感觉代码还算清晰，稍做解释：
flag是标记，因为webma
a9b7
gic的post方法，队列中是不做去重处理的，也就是说，add方法没有办法检验队列中是否含有post请求，故会一直循环加入，无法停止。
好了，利用以上代码，便可怕取到1-30页的JSON信息。截图如下：



ok了，截止到现在，所有的步骤都已经讲解完成。代码文件已经上传至github点击打开链接（附带开源中国爬虫和哔哩哔哩视频爬虫源码），大家有问题可以留言交流，一起学习。
QQ：3091485316
微信：wangye889905