抓取智联招聘和百度搜索的数据并进行分析,使用visual studio编写代码mongodb和sqlserver存储数据。使用scrapy框架结合 selenium爬取百度搜索数据,并进行简要的数据的分析!!
爬取前的页面分析:
打开百度搜索页面,并查看网页源代码,问题便出现,无法查看到页面源代码,如下,只是返回一个状态说明,这时可以确定页面数据是动态生成,常规的爬取行不通。
在浏览器中进行调试分析,可以发现需要定位使用的html元素,通过这一步至少可以将以下两个元素的xpath或css selector的表达式求解出来。
制定爬取方案
既然搜索页面的内容是动态生成,常规的http请求后无法获取数据,针对这种问题的解决方法:
l 通过抓包工具,进行对http请求进行分析,找到实际数据请求的js代码后进行模拟请求获取数据,这种方法耗时耗力,且是无法适应页面更改的情况。
l 通过浏览器框架请求,并编写程序和浏览器通信获取数据分析,对于这种方法的选择有很多,如在windows上可以使用ie browser控件,其他的可以使用其他内核的浏览器,这种方法的缺点是速度较慢。
l 这里选取的方法是使用 selenium + phantomjs的方法,这个结合scrapy也算是较为经典的一种方法。并且 selenium + phantomjs 也是作为web应用程序进行自动化测试的一套方案。
l selenium : selenium 是一个用于web应用程序测试的工具,可以搭配主流浏览器进行使用,如 ie ,chrome ,firefox等
l phantomjs: 一个基于webkit内核的无头浏览器,即没有ui界面,即它就是一个浏览器,只是其内的点击、翻页等人为相关操作需要程序设计实现。
编写爬虫代码
开始实际编写代码前,对爬取步骤的梳理。
自动填写搜索关键字 – 自动触发搜索功能 – 抓取页面搜索数据(不包含广告推广项) – 分页跳转 …..
输入关键字并进行查找,对关键字“it教育”进行搜索
对第一页右边栏的“相关机构”(如下图)进行抓取(首先需要触发“展开”事件)
在开启爬虫,进行爬取数据的,爬取结果如下:
分析数据 经过抓取,共抓取了76页,抓取的数据如下: json文件 [[图片上传中 在sqlserver数据库中。
对抓取数据进行关键字提取,并制作对应的标签云,得到的标签云图为.分析工具为python,通过jieba分词和pycloundtag两个模块进行,得到的分析结果如下:
分析搜索“it教育”得到结果得出的初步结论,出现次数较多:
n 城市: 北京 深圳 杭州 武汉 长沙 等
n 机构: 北大青鸟 达内 传智播客 等
n 语言: java php html5 等
github: https://github.com/shadow-hunter-x/crawl-recruit-data
更多: