Python3爬虫拉勾网爬虫

Posted 2021-01-20 TM0831

一、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。

 

二、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("http://www.xicidaili.com/nn", 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(\'http://www.baidu.com\', 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 = "https://www.lagou.com/jobs/positionAjax.json?px=default&needAddtionalResult=false&city={}".format(city)
18         headers = {
19             "Referer": "https://www.lagou.com/jobs/list_{}?city={}&cl=false&fromSearch=true&labelWords=&suginput=".format(codecs.encode(position, \'utf-8\'), codecs.encode(city, \'utf-8\')),
20             "Cookie": "_ga=GA1.2.2138387296.1533785827; user_trace_token=20180809113708-7e257026-9b85-11e8-b9bb-525400f775ce; LGUID=20180809113708-7e25732e-9b85-11e8-b9bb-525400f775ce; index_location_city=%E6%AD%A6%E6%B1%89; LGSID=20180818204040-ea6a6ba4-a2e3-11e8-a9f6-5254005c3644; JSESSIONID=ABAAABAAAGFABEFFF09D504261EB56E3CCC780FB4358A5E; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1534294825,1534596041,1534596389,1534597802; TG-TRACK-CODE=search_code; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1534599373; LGRID=20180818213613-acc3ccc9-a2eb-11e8-9251-525400f775ce; SEARCH_ID=f20ec0fa318244f7bcc0dd981f43d5fe",
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)

 

三、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。