python爬虫实战以及数据可视化

需要准备的环境：

 （1）python3.8

 （2）pycharm

 （3）截取网络请求信息的工具，有很多，百度一种随便用即可。

 

第一：首先通过python的sqlalchemy模块，来新建一个表。

 

第二：通过python中的request模块接口的形式调取数据。

  思路：（1）先获取所有城市信息：需要用request模块中的【requests.session()】session对象保存访问接口需要用到的信息：例如cookies等信息。
            （2）通过城市分组，再用正则表达式筛选来获取python的岗位信息。
其中多次用到列表生成器，以后要多注意这方面的冷知识；不然会有莫名的错误。、

代码思路：只要保证可复用即可，其实很简单，毕竟python是一门”干净“的语言。
       （1）先把请求方法抽集到一个方法中：
      session.get(url（地址），headers（头信息），,timeout（时间），proxies（代理信息）)
       （2）先获取所有城市，利用列表生成器生成一个list把数据装进去。
       （3）利用循环以城市分组拉去python岗位信息。
               for city in lagou.city_list:
调用拉取岗位信息的方法。
       （4）导入multiprocessing模块，设置多线程加速抓取：multiprocessing.pool(自定 int or long)
需要注意的是：必须利用代理，以及多线程拉取。否则效率低下，可能导致信息不全，时间太慢。

　

 第三：将拉取的数据存入表中

　　

思路：（1）由于拉取的是json格式，所以解读json格式，也是很繁琐的，需要把要的数据一条一条对应到固定的key里，如图：

　　

（2）利用session对象的query方法，可以过滤查询想要的数据。
session.query(lagoutables.workyear).filter(lagoutables.crawl_date==self.date).all()

　　第四：利用前台模板，将数据可视化。

   

（1）首先需要通过编写js文件，将几个图的数据放在一个方法里提高聚合，抽取出来提高可复用性。        （2）然后通过拼接把获取到的json格式的数据，按key:balue格式分配出来。
代码如下：
利用ajax通信

　

 

 

 

 

　

结果展示：

 

 

 

 

主要代码展示：

第一部分：拉取数据。

 （1）使用session保存cokkies信息。

self.lagou_session = requests.session()

  （2）写一个request方法；用于请求数据。使用多线程，以及代理的方式来；否则会记录恶意ip，不能爬虫。

 

    def handle_request(self,method,url,data=none,info=none):
        while true:
            #加入阿布云的动态代理
            proxyinfo = "http://%s:%s@%s:%s" % ('h1v32r6470a7g90d', 'cd217c660a9143c3', 'http-dyn.abuyun.com', '9020')
            proxy = {
                "http":proxyinfo,
                "https":proxyinfo
            }
            try:
                if method == "get":
                    # response = self.lagou_session.get(url=url,headers=self.header,proxies=proxy,timeout=6)
                    response = self.lagou_session.get(url=url,headers=self.header,timeout=6)
                elif method == "post":
                    # response = self.lagou_session.post(url=url,headers=self.header,data=data,proxies=proxy,timeout=6)
                     response = self.lagou_session.post(url=url,headers=self.header,data=data,timeout=6)
            except:
                # 需要先清除cookies信息
                self.lagou_session.cookies.clear()
                # 重新获取cookies信息
                first_request_url = "https://www.lagou.com/jobs/list_python?city=%s&cl=false&fromsearch=true&labelwords=&suginput=" % info
                self.handle_request(method="get", url=first_request_url)
                time.sleep(10)
                continue
            response.encoding = 'utf-8'
            if '频繁' in response.text:
                print(response.text)
                #需要先清除cookies信息
                self.lagou_session.cookies.clear()
                # 重新获取cookies信息
                first_request_url = "https://www.lagou.com/jobs/list_python?city=%s&cl=false&fromsearch=true&labelwords=&suginput="%info
                self.handle_request(method="get",url=first_request_url)
                time.sleep(10)
                continue
            return response.text

　　（3）写一个具体的url来拉取网页信息。比如：

   

#获取全国所有城市列表的方法
    def handle_city(self):
        city_search = re.compile(r'www\.lagou\.com\/.*\/">(.*?)</a>')
        city_url = "https://www.lagou.com/jobs/allcity.html"
        city_result = self.handle_request(method="get",url=city_url)
        #使用正则表达式获取城市列表
        self.city_list = set(city_search.findall(city_result))
        self.lagou_session.cookies.clear()

　　第二部分：将拉取的数据存入数据库。

　　　　 将数据库字段与获取到的json数据对应，代码简单就不举例了。

主要是用到数据库的session信息；通过导包，获得该数据库连接的session对象，然后操作数据库。

#插入数据
self.mysql_session.add(data)
#提交数据到数据库
self.mysql_session.commit()

　　第三部分：将数据库数据以echarts工具展示出来。

   可以查看官网有教学：　　https://www.echartsjs.com/zh/index.html

  主要也是去修改js文件，比较简单；这里就不做示范了。

 

全部代码，可以去本人的githup上下载。

注意：本次爬虫教学并不是本人所原创，只是分享一下学习结果。