python爬取招聘网站：拉勾网

前言本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：TM0831

转载：https://www.cnblogs.com/TM0831/p/9959900.html

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python学习交流群，点击即可加入

思路分析：

在之前写拉勾网的爬虫的时候，总是得到下面这个结果（真是头疼），当你看到下面这个结果的时候，也就意味着被反爬了，因为一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会禁止这个IP的访问：

对于拉勾网，我们要找到职位信息的ajax接口倒是不难（如下图），问题是怎么不得到上面的结果。

要想我们的爬虫不被检测出来，我们可以使用代理IP，而网上有很多提供免费代理的网站，比如西刺代理、快代理、89免费代理等等，我们可以爬取一些免费的代理然后搭建我们的代理池，使用的时候直接从里面进行调用就好了。然后通过观察可以发现，拉勾网最多显示30页职位信息，一页显示15条，也就是说最多显示450条职位信息。在ajax接口返回的结果中可以看到有一个totalCount字段，而这个字段表示的就是查询结果的数量，获取到这个值之后就能知道总共有多少页职位信息了。对于爬取下来的结果，保存在MongoDB数据库中。

主要代码：

proxies.py

（爬取免费代理并验证其可用性，然后生成代理池）

1 import requests 2 import re 3 4 5 class Proxies: 6 def __init__(self): 7 self.proxy_list = [] 8 self.headers = { 9 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " 10 "Chrome/45.0.2454.101 Safari/537.36", 11 Accept-Encoding: gzip, deflate, sdch, 12 } 13 14 # 爬取西刺代理的国内高匿代理 15 def get_proxy_nn(self): 16 proxy_list = [] 17 res = requests.get("", headers=self.headers) 18 ip_list = re.findall(<td>(\d+\.\d+\.\d+\.\d+)</td>, res.text) 19 port_list = re.findall(<td>(\d+)</td>, res.text) 20 for ip, port in zip(ip_list, port_list): 21 proxy_list.append(ip + ":" + port) 22 return proxy_list 23 24 # 验证代理是否能用 25 def verify_proxy(self, proxy_list): 26 for proxy in proxy_list: 27 proxies = { 28 "http": proxy 29 } 30 try: 31 if requests.get(http://www.baidu.com, proxies=proxies, timeout=2).status_code == 200: 32 print(success %s % proxy) 33 if proxy not in self.proxy_list: 34 self.proxy_list.append(proxy) 35 except: 36 print(fail %s % proxy) 37 38 # 保存到proxies.txt里 39 def save_proxy(self): 40 # 验证代理池中的IP是否可用 41 print("开始清洗代理池...") 42 with open("proxies.txt", r, encoding="utf-8") as f: 43 txt = f.read() 44 # 判断代理池是否为空 45 if txt != : 46 self.verify_proxy(txt.strip().split(\n)) 47 else: 48 print("代理池为空！\n") 49 print("开始存入代理池...") 50 # 把可用的代理添加到代理池中 51 with open("proxies.txt", w, encoding="utf-8") as f: 52 for proxy in self.proxy_list: 53 f.write(proxy + "\n") 54 55 56 if __name__ == __main__: 57 p = Proxies() 58 results = p.get_proxy_nn() 59 print("爬取到的代理数量", len(results)) 60 print("开始验证：") 61 p.verify_proxy(results) 62 print("验证完毕：") 63 print("可用代理数量：", len(p.proxy_list)) 64 p.save_proxy()

在middlewares.py中添加如下代码：

1 class LaGouProxyMiddleWare(object): 2 def process_request(self, request, spider): 3 import random 4 import requests 5 with open("具体路径\proxies.txt", r, encoding="utf-8") as f: 6 txt = f.read() 7 proxy = "" 8 flag = 0 9 for i in range(10): 10 proxy = random.choice(txt.split(\n)) 11 proxies = { 12 "http": proxy 13 } 14 if requests.get( proxies=proxies, timeout=2).status_code == 200: 15 flag = 1 16 break 17 if proxy != "" and flag: 18 print("Request proxy is {}".format(proxy)) 19 request.meta["proxy"] = "http://" + proxy 20 else: 21 print("没有可用的IP！")

然后还要在settings.py中添加如下代码，这样就能使用代理IP了：

1 SPIDER_MIDDLEWARES = { 2 LaGou.middlewares.LaGouProxyMiddleWare: 543, 3 }

在item.py中添加如下代码：

1 import scrapy 2 3 4 class LaGouItem(scrapy.Item): 5 city = scrapy.Field()# 城市 6 salary = scrapy.Field()# 薪水 7 position = scrapy.Field()# 职位 8 education = scrapy.Field()# 学历要求 9 company_name = scrapy.Field()# 公司名称 10 company_size = scrapy.Field()# 公司规模 11 finance_stage = scrapy.Field()# 融资阶段

在pipeline.py中添加如下代码：

1 import pymongo 2 3 4 class LaGouPipeline(object): 5 def __init__(self): 6 conn = pymongo.MongoClient(host="127.0.0.1", port=27017) 7 self.col = conn[Spider].LaGou 8 9 def process_item(self, item, spider): 10 self.col.insert(dict(item)) 11 return item

在spiders文件夹下新建一个spider.py，代码如下：

1 import json 2 import scrapy 3 import codecs 4 import requests 5 from time import sleep 6 from LaGou.items import LaGouItem 7 8 9 class LaGouSpider(scrapy.Spider): 10 name = "LaGouSpider" 11 12 def start_requests(self): 13 # city = input("请输入城市：") 14 # position = input("请输入职位方向：") 15 city = "上海" 16 position = "python" 17 url = "?px=default&needAddtionalResult=false&city={}".format(city) 18 headers = { 19 "Referer": "{}?city={}&cl=false&fromSearch=true&labelWords=&suginput=".format(codecs.encode(position, utf-8), codecs.encode(city, utf-8)), 20 "Cookie": "_ga=GA1.2..; user_trace_token=708-7e-9b85-11e8-b9bb-f775ce; LGUID=708-7e25732e-9b85-11e8-b9bb-f775ce; index_location_city=%E6%AD%A6%E6%B1%89; LGSID=040-ea6a6ba4-a2e3-11e8-a9f6-5c3644; JSESSIONID=ABAAABAAAGFABEFFF09DEB56E3CCC780FB4358A5E; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=,,,; TG-TRACK-CODE=search_code; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=; LGRID=613-acc3ccc9-a2eb-11e8-9251-f775ce; SEARCH_ID=f20ec0faf7bcc0dd981f43d5fe", 21 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.89 Safari/537.36" 22 } 23 data = { 24 "first": "true", 25 "pn": 1, 26 "kd": position 27 } 28 res = requests.post(url, headers=headers, data=data) 29 # 获取相关职位结果数目 30 count = res.json()[content][positionResult][totalCount] 31 # 由于最多显示30页，也就是最多显示450条职位信息 32 page_count = count // 15 + 1 if count <= 450 else 30 33 for i in range(page_count): 34 sleep(5) 35 yield scrapy.FormRequest( 36 url=url, 37 formdata={ 38 "first": "true", 39 "pn": str(i + 1), 40 "kd": position 41 }, 42 callback=self.parse 43 ) 44 45 def parse(self, response): 46 try: 47 # 解码并转成json格式 48 js = json.loads(response.body.decode(utf-8)) 49 result = js[content][positionResult][result] 50 item = LaGouItem() 51 for i in result: 52 item[city] = i[city] 53 item[salary] = i[salary] 54 item[position] = i[positionName] 55 item[education] = i[education] 56 item[company_name] = i[companyFullName] 57 item[company_size] = i[companySize] 58 item[finance_stage] = i[financeStage] 59 yield item 60 except: 61 print(response.body)

运行结果：

由于使用的是免费代理，短时间内就失效了，所以会碰上爬取不到数据的情况，所以推荐使用付费代理。