python获取数据后简单处理

原创

小白学大数据

发布于 2022-02-28 16:54:48

45000

代码可运行

文章被收录于专栏：python进阶学习python进阶学习

运行总次数：0

代码可运行

作为爬虫的基础知识，我们都知道网络爬虫的数据主要来自服务器的响应结果，通常有html和json数据等，但是这两种数据是主要的数据来源。而数据的请求也主要是两种方式，即GET和POST。那么我们今天就通过基础爬虫知识来爬取大数据岗位的招聘情况，包括地区分布、薪资水平等。

要获取数据我们首先需要编写爬虫，这里我们就以为python来进行编写，数据的主要来源为前程无忧。代码如下：

#! -*- encoding:utf-8 -*-

    import requests
    import random

    # 要访问的目标页面
    targetUrl = "http://httpbin.org/ip"

    # 要访问的目标HTTPS页面
    # targetUrl = "https://httpbin.org/ip"

    # 代理服务器(产品官网 www.16yun.cn)
    proxyHost = "t.16yun.cn"
    proxyPort = "31111"

    # 代理验证信息
    proxyUser = "username"
    proxyPass = "password"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
        "host" : proxyHost,
        "port" : proxyPort,
        "user" : proxyUser,
        "pass" : proxyPass,
    }

    # 设置 http和https访问都是用HTTP代理
    proxies = {
        "http"  : proxyMeta,
        "https" : proxyMeta,
    }


    #  设置IP切换头
    tunnel = random.randint(1,10000)
    headers = {"Proxy-Tunnel": str(tunnel)}



    resp = requests.get(targetUrl, proxies=proxies, headers=headers)

    print resp.status_code
    print resp.text

这里我们的示例是以随机ip访问网站进行编写的，因为在访问目标网站的过程中会涉及到反爬机制，所以一开始就做了代理ip策略，示例里使用的是动态转发模式的，这种模式的代理使用比较简单，更适合新手学习。在我们获取到的数据里面有些是需要进行去重的，去除掉无关数据就对数据进行清洗分析，但是分析过程比较繁琐，我们可以自己私下进行处理。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

爬虫