最近暑假来临，好多小伙伴都在找暑期实习吧？前几天，朋友弟弟，想在暑假期间找个实习工作锻炼自己，可是面对网络上几千条实习招聘信息，简直让人头大。随后朋友向我发出了“请求帮助”的信息，我了解了大致情况后，立马用爬虫爬取了实习网的的信息，将数据结果发了过去，问题分分钟解决。这请我吃一顿饭不过分吧？

　　这篇爬虫实战教程，不仅适合新手练习爬虫，也适合需要找实习信息的朋友！

　　希望在看了这篇文章后，能够清晰地知道整个爬虫流程，并且能够独立自主地完成，其次，能够通过自己的爬虫实战，获取自己想要的信息。

　　好了，话不多说，咱们就开始吧！

　　内容主要分为两大部分：页面分析爬虫步骤详解

　　一、目标页面分析

　　首先，我们应该要知道自己的爬虫目标是个什么东西吧？俗话说，知己知彼，百战不殆。我们已经知道自己要爬取的页面是“实习网”，所以，咱们首先得去实习网看看，都有些什么数据。

　　实习网址：https://www.shixi.com/search/index

　　页面如下：

　　例如我们要找的岗位是“品牌运营”岗位的数据。因此直接在网页的搜索框输入品牌运营就行了。你会发现url发生了变化！

　　注意：我们要爬取的页面就是这页：https://www.shixi.com/search/index?key=品牌运营

　　在我们的爬取页面中，我们需要观察有哪些数据，并且一个页面中有几条数据。这个非常重要，关系到后面的代码编写，以及可以帮你检查，是否爬取到了页面的所有信息。

　　此时，我们要注意的是，我们所在的页面是“一级页面”，在浏览过程中，我们 点击随意一个岗位进入后呈现的是“二级页面”，此时你也会发现url又发生了变化。

　　例如，我们点一个品牌运营实习，二级页面就会自动跳转成这样，产生一个新的链接。如图：

　　要爬取页面上的那些信息呢？

　　我们在分析过程中发现，有些信息是在一级页面中，有些是在二级页面中。

　　在一级页面中，我们可以获取那些信息呢？如图所示：

　　总共有五条有效数据：职位、公司名、学历、薪资、地址

　　在二级页面中，我们来看看可以获取什么有效数据，领域和规模，阶段如果你觉得重要的话，也可以纳入爬虫范围，但是我个人认为，这并不影响实习，毕竟不是找正式工作，影响不会很大，反而是招聘实习生的数量更为重要，这里并未显示招聘人数，无法在图片上呈现，后续可加上。

　　到这里，我们一共需要抓取7个数据，加上“人数”一共8个数据，这也就是我们爬虫的最终目标数据。

　　爬取“静态”网页

　　这里分析下什么叫静态网页，什么叫动态网页。静态网页，随着html代码的生成，页面的内容和显示效果就基本上不会发生变化了--除非你修改页面代码。而动态网页则不然，页面代码虽然没有变，但是显示的内容却是可以随着时间、环境或者数据库操作的结果而发生改变的。

　　它们的区别就在于：静态网页中的数据，是一劳永逸，也就是说一次性给你。动态网页中的数据，是随着页面一步步加载出来，而逐步呈现的，也就是你用静态网页的爬虫技术，无法获取到其中所有的数据。

　　值得强调的是，不要将动态网页和页面内容是否有动感混为一谈。这里说的动态网页，与网页上的各种动画、滚动字幕等视觉上的动态效果没有直接关系，动态网页也可以是纯文字内容的，也可以是包含各种动画的内容，这些只是网页具体内容的表现形式，无论网页是否具有动态效果，只要是采用了动态网站技术生成的网页都可以称为动态网页。

　　点击 “鼠标右键”，点击 “查看网页源代码”，最终效果如图（部分截图）：

　　这就是，最终反馈给你的数据，如果你发现自己想要的数据都在这里面，那么就可以说是静态页面，如若不然，则考虑为“动态页面”。

　　今天这里的案例是静态网页。

　　大家知道，在写代码之前要先知道，我们要用哪些方式，哪些库，哪些模块去帮你解析数据。常见用来解析数据的方法有：re正则表达式、xpath、beatifulsoup、pyquery等。

　　我们需要用到的是xpath解析法来分析定位数据。

　　二、爬虫代码讲解导入相关库

　　爬虫的第一步是要考虑好，爬虫过程中需要用到哪些库，要知道python是一个依赖于众多库的语言，没有库的Python是不完整的。

　　2、请求一级页面的网页源代码

　　这里我们要注意①②两个地方。在①处，有两个参数，一个是headers一个是verify。其中headers是一种反反扒的措施，让浏览器认为爬虫不是爬虫，而是人在用浏览器去正常请求网页。verify是忽略安全证书提示，有的网页会被认为是一个不安全的网页，会提示你，这个参数你记住就行。

　　在②处，我们已经获取到了网页的源码。但是由于网页源代码的编码方式和你所在电脑的解析方式，有可能不一致，返回的结果会导致乱码。此时，你就需要修改编码方式，chardet库可以帮你自动检测网页源码的编码。（一个很好用的检测文档编码的三方库chardet）

　　3、解析一级页面网页中的信息

　　要注意的是，二级页面也是页面，在爬取其中的数据时，也需要请求页面。所以，①②③处的代码，都是一模一样的。

　　4、翻页操作

　　随意复制几个不同页面的url，观察它们的区别。这里可以看到，也就page参数后面的数字不同，是第几页，数字就是几。

　　由于我们爬取了60页 的数据，这里就构造出了60个url，他们都存在url_list这个列表中。

　　我们现在来看看整个代码吧，我就不再文字叙述了，直接在代码中写好了注释。

　　这样一套下来，爬虫的思路是不是瞬间清晰明了？眼睛：我会了！手：我还是不会。得多加练习啊。初学者不要急于求成，项目不在多，在精。踏踏实实吃透一个远比看会十个更有效。

　　想要获取源代码的小伙伴们，点赞+评论，私聊哦~