Cookie，有时也用其复数形式 Cookies。类型为” 小型文本文件“，是某些网站为了辨别用户身份，进行Session跟踪而储存在用户本地终端上的数据（通常经过加密），由用户客户端计算机暂时或永久保存的信息 。
简而言之，cookie代表了你的身份，你是否登陆了，就通过它进行识别，这就很好的解决了当一个爬虫进行数据爬取，要求你是登录状态的时候，以及可以进行数据的爬取
一个基本的爬虫应该包含基础的header即请求头，而请求头中包含了一些爬虫的模拟信息，毕竟一个网站对于一个基础的爬虫可并不友好，我们的cookie也是从中获取
headers1 = {
'Accept': 'application/json, text/javascript, */*; q=0.01',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
'Cookie': cookie1,
'Pragma': 'no-cache',
'Referer': 'https://xxxx.com',
'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="100", "Google Chrome";v="100"',
'sec-ch-ua-mobile': '?0',
'sec-ch-ua-platform': '"Windows"',
'Sec-Fetch-Dest': 'empty',
'Sec-Fetch-Mode': 'cors',
'Sec-Fetch-Site': 'same-origin',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
header的各个字段的意思
[header各个字段的意思
爬虫其实一共就分为两步，第一，获取数据，第二，把获取到的数据封装保存
往往是第一步最难，因为获取数据的过程可能有反爬，反爬之后还要对数据进行定位，本次我们使用xpath进行定位，简单来说，xpath就是你f12之后看到的网页代码，呈现的是树状结构，xpath就是通过这个树状结构对数据进行定位
xpath教程（菜鸟教程的，感兴趣的可以深入了解一下）
核心爬虫代码
import time
import requests
from lxml.etree import HTML
import os
import pandas as pd
from sqlalchemy import create_engine
def check(a):
经验=''
学历=''
for i in a:
if '经验' in i or '在校生' in i:
经验=i
continue
if '硕士' in i or '大专' in i or '本科' in i or '高中' in i or '初中' in i or '博士' in i:
学历 = i
continue
return 经验,学历
cookie1=input('请输入列表cookie:')
startpage=input('请输入开始页码:')
endpage=input('请输入开始页码:')
for page in range(int(startpage),int(endpage)):
url=f'https://xxxx.com/{page}.html?'
headers1 = {
'Accept': 'application/json, text/javascript, */*; q=0.01',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
'Cookie': cookie1,
'Host': 'search.xxxx.com',
'Pragma': 'no-cache',
'Referer': 'https://xxxx.com/list?',
'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="100", "Google Chrome";v="100"',
'sec-ch-ua-mobile': '?0',
'sec-ch-ua-platform': '"Windows"',
'Sec-Fetch-Dest': 'empty',
'Sec-Fetch-Mode': 'cors',
'Sec-Fetch-Site': 'same-origin',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36',
'X-Requested-With': 'XMLHttpRequest',
}
headers2 = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
'Cookie': cookie1,
'Host': 'jobs.xxxx.com',
'Pragma': 'no-cache',
'Referer': 'https://xxxx.com',
'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="100", "Google Chrome";v="100"',
'sec-ch-ua-mobile': '?0',
'sec-ch-ua-platform': '"Windows"',
'Sec-Fetch-Dest': 'document',
'Sec-Fetch-Mode': 'navigate',
'Sec-Fetch-Site': 'same-origin',
'Sec-Fetch-User': '?1',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36',
}
res=requests.get(url,headers=headers1).json()
for i in res['engine_jds']:
company_name=i['company_name']
job_title=i['job_title']
providesalary_text=i['providesalary_text']
updatedate=i['updatedate']
workarea_text=i['workarea_text']
attribute_text=i['attribute_text']
经验, 学历 = check(attribute_text)
jobwelf=i['jobwelf']
job_href=i['job_href']
res_href = requests.get(job_href, headers=headers2).content
try:
res_href=res_href.decode('gbk')
except:
res_href = res_href.decode('utf8')
if '滑动验证页面' in res_href:
print('出现滑动检测请注意****************************************')
zhiwei=''.join(HTML(res_href).xpath(r'//div[@class="bmsg job_msg inbox"]//text()'))
leibie = ''.join(HTML(res_href).xpath(r'//div[@class="mt10"]/p[1]/a/text()'))
data={
'职位名称': job_title,
'公司名字': company_name,
'工作城市': workarea_text,
'经验要求': 经验,
'学历要求': 学历,
'薪资水平': providesalary_text,
'福利待遇': jobwelf,
'职位详情页': job_href,
'职位信息': zhiwei,
'职能类别': leibie,
}
df=pd.DataFrame([data])
savepath=r'xxxx24hour_1.csv'
if not os.path.exists(savepath):
df.to_csv(savepath,index=False,mode='a')
else:
df.to_csv(savepath, index=False, mode='a', header=None)
print(data)
time.sleep(2)
数据库这个名字很高大上，但是如果深入了解就会发现，数据库就是一个本地有结构的大型存储文件–也就是说，你可以把它理解为一个文件夹，每个数据库是一个文件夹，文件夹下面有很多个excel表格，只是这些表格之间有着其很多的规则
本次我们使用两个数据库，分别是mysql和sqlite：
其实核心逻辑都是一样的，连接到本地sql服务，循环我们的数据执行对应的sql代码（英语好就能直接理解：比如insert into就是插入数据）
import pandas as pd
import pymysql
import csv
import codecs
data = pd.read_csv(file_path, encoding='utf-8')
def get_conn():
db = pymysql.connect(host='localhost',
user='root',
password='xxxx',
database='xxxx',
charset='utf8')
return db
def insert(cur, sql, args):
try:
cur.execute(sql, args)
except Exception as e:
print(e)
def read_csv_to_mysql(filename):
'''
csv文件->数据库
:param filename:
:return:
'''
with codecs.open(filename=filename, mode='r', encoding='utf-8') as f:
reader = csv.reader(f)
head = next(reader)
conn = get_conn()
cur = conn.cursor()
sql = 'insert into job(job_name, company_name, job_city, expirence, degree, salary_degree, walfare, work_detail, work_information, work_type) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
for item in reader:
args = tuple(item)
insert(cur, sql=sql, args=args)
conn.commit()
cur.close()
conn.close()
if __name__ == '__main__':
read_csv_to_mysql("new_xxxx.csv")
import sqlite3
import time
import pandas as pd
import pymysql
import csv
import codecs
class DbOperate(object):
def __new__(cls, *args, **kwargs):
if not hasattr(cls, "_instance"):
cls._instance = super(DbOperate, cls).__new__(cls)
return cls._instance
def __init__(self, db_name):
self.db_name = db_name
self.connect = sqlite3.connect(self.db_name)
self.cursor = self.connect.cursor()
def __enter__(self):
return self
def __exit__(self, exc_type, exc_val, exc_tb):
self.connect.close()
def execute_sql(self, sql,values):
try:
self.cursor.execute(sql,values)
self.connect.commit()
except Exception as e:
self.connect.rollback()
def executemany_sql(self, sql, data_list):
try:
self.cursor.executemany(sql, data_list)
self.connect.commit()
except Exception as e:
self.connect.rollback()
raise Exception("executemany failed")
sqlite_path = "../my.db"
with DbOperate(sqlite_path) as db:
sql = "insert into job(job_name, company_name, job_city, expirence, degree, salary_degree, walfare, work_detail, work_information, work_type,province) values(?,?,?,?,?,?,?,?,?,?,?)"
with codecs.open(filename="new_xxxx.csv", mode='r', encoding='utf8') as f:
reader = csv.reader(f)
head = next(reader)
lis = []
for item in reader:
lis.append(tuple(item))
db.executemany_sql(sql, tuple(lis))
sqlite的优点在于可以直接带走，类似于钱包
对于数据库没有特别大的需求的话（非大量数据比如千万级别）其实sqlite是比较友好的
本文做过敏感处理，需要代码欢迎github自取
Original: https://blog.csdn.net/weixin_63587281/article/details/127928659
Author: 大佬爱睡觉
Title: request携带cookie爬虫爬取招聘网站（多页），保存到mysql和sqlite数据库
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/817177/
转载文章受原作者版权保护。转载请注明原作者出处！