进行网页数据爬取的方式有很多，我前面使用了requests模块添加浏览器的cookies来对页面数据进行爬取的，那我们是不是可以直接使用浏览器来获取数据呢，当然是可以的。

虽然boss对这种自动化测试软件也是做了限制的，但是比上一版的爬虫程序来说还是可以爬到更多的数据，BOSS的反爬策略：

前几次使用自动化爬取时会提示进行活体验证
再继续爬的话就会被限制访问，当然不会影响你登录的用户
密码登录这个时候也会被策略限制，智能扫码登录了

可以操作浏览器的模块

WebDriver

导入浏览器驱动，用get方法打开浏览器，例如：

import time
from selenium import webdriver

def mac():
    driver = webdriver.Chrome() //打开Chrome浏览器
	# driver = webdriver.Firefox() //打开Firefox浏览器
	# driver = webdriver.Ie() //打开IE浏览器
    driver.implicitly_wait(5)
    driver.get("http://www.baidu.com")

chromedriver.exe的下载地址为 http://chromedriver.storage.googleapis.com/index.html 选择版本是看下安装的浏览器版本，需要和它是一致的。

webbrowser

通过导入python的标准库webbrowser打开浏览器，例如：

import webbrowser
webbrowser.open("C:\Program Files\Internet Explorer\iexplore.exe")
webbrowser.open("C:\Program Files\Internet Explorer\iexplore.exe")

Splinter

Splinter的使用必修依靠Cython、lxml、selenium这三个软件。所以，安装前请提前安装 Cython、lxml、selenium。以下给出链接地址： 1）http://download.csdn.net/detail/feisan/4301293 2）http://code.google.com/p/pythonxy/wiki/AdditionalPlugins#Installation_no 3）http://pypi.python.org/pypi/selenium/2.25.0#downloads 4）http://splinter.cobrateam.info/

#coding=utf-8
import time
from splinter import Browser
  
def splinter(url):  
    browser = Browser()  
    #login 126 email websize
    browser.visit(url)  
    #wait web element loading
    time.sleep(5)  
    #fill in account and password
    browser.find_by_id('idInput').fill('xxxxxx')  
    browser.find_by_id('pwdInput').fill('xxxxx')  
    #click the button of login
    browser.find_by_id('loginBtn').click()  
    time.sleep(8)  
    #close the window of brower
    browser.quit()  
  
if __name__ == '__main__':  
    websize3 ='http://www.126.com'  
    splinter(websize3)

我们这次使用的是WebDriver

WebDriver常用方法

可以使用get方法请求网页
find_element可以查找元素
find_element_by_xx 提供对 id、name、class_name等的查询
send_keys 输入
click 点击按钮、连接等
text获取元素的文本

爬虫程序

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup as bs
from selenium import webdriver
import time
HOST = "https://www.zhipin.com"


def extract_data(content):
    # 处理职位列表
    job_list = []
    for item in content.find_all(class_="job-primary"):
        job_title = item.find("div", attrs={"class": "job-title"})
        job_name = job_title.a.attrs["title"]
        job_href = job_title.a.attrs["href"]
        data_jid = job_title.a['data-jid']
        data_lid = job_title.a["data-lid"]
        job_area = job_title.find(class_="job-area").text

        job_limit = item.find(class_="job-limit")
        salary = job_limit.span.text
        exp = job_limit.p.contents[0]
        degree = job_limit.p.contents[2]

        company = item.find(class_="info-company")
        company_name = company.h3.a.text
        company_type = company.p.a.text

        stage = company.p.contents[2]
        scale = company.p.contents[4]
        info_desc = item.find(class_="info-desc").text
        tags = [t.text for t in item.find_all(class_="tag-item")]
        job_list.append([job_area, company_type, company_name, data_jid, data_lid, job_name, stage, scale, job_href,
                         salary, exp, degree, info_desc, "、".join(tags)])
    return job_list


def get_job_text(driver):
    """
    通过driver.text 也可以获取到页面数据 但是解析不太方便
    """
    time.sleep(5)
    job_list = driver.find_elements_by_class_name("job-primary")
    for job in job_list:
        print job.text


def main(host):
    chrome_driver = "chromedriver.exe"
    driver = webdriver.Chrome(executable_path=chrome_driver)
    driver.get(host)
    # 获取到查询框 输入查询条件
    driver.find_element_by_name("query").send_keys("python")
    # 点击查询按钮
    driver.find_element_by_class_name("btn-search").click()

    job_list = []
    while 1:
        time.sleep(5)
        content = driver.execute_script("return document.documentElement.outerHTML")
        content = bs(content, "html.parser")
        job_list += extract_data(content)
        next_page = content.find(class_="next")
        if next_page:
            driver.find_element_by_class_name("next").click()
        else:
            break

    driver.close()


if __name__ == "__main__":
    main(HOST)

end