Python scrapy使用入门，爬取拉勾网上万条职位信息（下）

继续之前的笔记。上节实现了数据爬取和导出文件。这节学点干的，模拟浏览器请求，对付拉钩的反爬策略，爬取二级页面，获取到具体的职位，薪资等数据。

我们上节爬取的是分类的内容，我们实际浏览网页也是点击分类进入二级页面看职位列表，上节爬取的链接，就是我们点击的那个链接，我们已拿到了：

现在我们点击Java进入二级页面，假如我们要获取如下信息：

使用cookie给爬虫做伪装，应付反爬策略

首先我们通过如下代码访问到二级页面：

yield scrapy.Request(url = jobUrl , callback=self.parse_url)
1

callback是回调函数，我们需要在下面实现这个方法，但是有一点我们需要提前完成，那就是攻克拉勾的反爬虫机制，我们通过设置cookie来完成这个功能，接下来先教大家获取到cookie。
在Java这个二级页面，F12调出开发者模式
，按F5刷新界面，如图，可以看到发了4个请求，第一个根据字面猜测应该是我们找的那个请求。

将header里的request的cookie复制出来先放到记事本中，我们需要对其处理后变成键值对的格式，放入scrapy中，完整代码如下：

# -*- coding: utf-8 -*-
import scrapy
from First.items import FirstItem

class SecondSpider(scrapy.Spider):
    name = 'second'
    allowed_domains = []
    start_urls = ['https://www.lagou.com/']

    cookie = {
        "JSESSIONID": "ABAAABAAAGGABCB090F51A04758BF627C5C4146A091E618",
        "_ga": "GA1.2.1916147411.1516780498",
        "_gid": "GA1.2.405028378.1516780498",
        "Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6": "1516780498",
        "user_trace_token": "20180124155458-df9f65bb-00db-11e8-88b4-525400f775ce",
        "LGUID": "20180124155458-df9f6ba5-00db-11e8-88b4-525400f775ce",
        "X_HTTP_TOKEN": "98a7e947b9cfd07b7373a2d849b3789c",
        "index_location_city": "%E5%85%A8%E5%9B%BD",
        "TG-TRACK-CODE": "index_navigation",
        "LGSID": "20180124175810-15b62bef-00ed-11e8-8e1a-525400f775ce",
        "PRE_UTM": "",
        "PRE_HOST": "",
        "PRE_SITE": "https%3A%2F%2Fwww.lagou.com%2F",
        "PRE_LAND": "https%3A%2F%2Fwww.lagou.com%2Fzhaopin%2FJava%2F%3FlabelWords%3Dlabel",
        "_gat": "1",
        "SEARCH_ID": "27bbda4b75b04ff6bbb01d84b48d76c8",
        "Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6": "1516788742",
        "LGRID": "20180124181222-1160a244-00ef-11e8-a947-5254005c3644"
    }
    def parse(self, response):
        for item in response.xpath('//div[@class="menu_box"]/div/dl/dd/a'):
            jobClass = item.xpath
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31