网络爬虫实战（二）：爬取研招网调剂信息

 

        研究生复试陆续展开，有些学校甚至都已发送拟录取通知，慌张的我昨天刚刚复试完，经历了慌张的考试，慌张地等成绩，慌张地等分数线，慌张地复试，然后我现在在慌张地等待通知。少壮不努力，考研天天愁。真实！

 

         作为守门员要有守门员地自觉，因此我也准备着手调剂，一看，什么科软不收啦，地大关调剂大门啦，这可咋办？

         研招网上的调剂信息每20条就要翻页，并且时不时要刷新才能显示信息地bug让人很难受，于是我打算对研招网地调剂信息进行爬取，便于我直接观察，咱们说干就干！

        登录研招网，找到指定的调剂信息查询页面，页面链接https://yz.chsi.com.cn/sytj/tj/qecx.html

         观察页面源代码，清楚的发现具体的信息不在上面，即要爬的对象是动态的，随即打开开发者工具，查询首都师范大学，发现包含在sytjqexxcx.action之中。

 

            点击sytjqexxcx.action，发现该表格信息果然隐藏在json之中

          找到了表格所在页面，我们接着来看看该页面的头部信息，

          不是普通的get请求，而是post请求，post请求是需要我们提供表单数据的，而该表单数据就在Headers的底部，

       发现表单中不包含登录信息，很好，不需要模拟登录了，利用cookie应该可以直接访问，一个action页面有20条数据，继续往下翻，发现网址没有发生改变，但是上图中的start值变为了20，以此类推40，60，80等等。我们仅需要改变表单数据中的start这个参数就可以爬取所有符合条件的数据了。

      利用循环，访问页面，将所有信息提取。

      通过try..except语句将所有页面访问，利用json库将json转化为list并提取所需要的信息

for i in range(60):
    if count==0:
        para={
         'pageSize': 20,
         'start': '',
         'orderBy':'' ,
         'mhcx': 1,
         'ssdm2': '',
         'xxfs2': '',
         'dwmc2': '软件',
         'data_type': 'json',
         'agent_from':'wap',
         'pageid': ''
        }
    else:
        para={
         'pageSize': 20,
         'start': count*20,
         'orderBy':'' ,
         'mhcx': 1,
         'ssdm2': '',
         'xxfs2': '',
         'dwmc2': '软件',
         'data_type': 'json',
         'agent_from':'wap',
         'pageid': 'tj_qe_list' 
            
            }
    try:
        r=requests.post(url,headers=headers,timeout=30,data=para)
        count+=1
        r.raise_for_status()
        r.encoding='utf-8'
        #print (r.text)      
        text=json.loads(r.text)
        content=text['data']['vo_list']['vos']
        #print(content)
    except:
        count+=1

在提取数据的时候发现该信息中的培养方式这一项是用数字1代表全日制，2代表的非全日制，这是一条很关键的信息。利用字典将其转换

 

type_dict = {}
type_dict['1'] = "全日制"
type_dict['2'] = "非全日制"

编写parse_one_page 函数将从网页上爬取下来的数据按key提取内容，其中对应关系分别为下图所示

 

def parse_one_page(content):

    for item in content:
        yield{
            'school': item['dwmc'],
            'academic': item['yxsmc'],
            'major': item['zymc'],
            'majorID': item['zydm'],
            'schoolID': item['dwdm'],
            'direction':item['yjfxmc'],
            'type':type_dict[str(item['xxfs'])],
            'remain':item['qers'],
            'publish':item['gxsj']
        }
'''
bz: "调剂特殊要求"
dwdm: "单位代码"
dwmc: "单位名称"
fbsjStr: "发布时间"
gxsj: "距离最后更新时间已过xx分钟"
hasit: "考生是否已经填报该志愿 true 或 false"
id: "余额信息ID"
qers: "余额人数"
sfmzyq: "是否满足要求，空为满足要求，非空其内容为不满足要求原因"
ssdm: "省市代码"
xxfs: "学习方式"
yjfxdm: "研究方向代码"
yjfxmc: "研究方向名称"
yxsdm: "院系所代码"
yxsmc: "院系所名称"
zt: "余额状态"
zydm: "专业代码"
zymc: "专业名称"
'''

将提取出来的信息存为csv文件

for item in parse_one_page(content): 
        with open('soft.csv', 'a', encoding='utf-8') as csv:
            csv.write(item['schoolID'] + ',' + item['school'] +','+ 
                       item['academic'] + ',' + item['major'] + ','+ item['majorID']+',' +
                       item['direction']+ ',' + str(item['type'])+','+str(item['remain'])+','+str(item['publish'])+'\n')

得到所有软件相关的调剂信息数据

           爬取任务大功告成！19年考研er的真实写照！

            当然我最希望的还是一志愿录取哈哈哈哈哈哈哈哈！

            昨天特意拍的未名湖：