写了个简单爬虫，分析 Boss 直聘自动驾驶岗位

两年前，朋友想知道 Boss 直聘上关于自动驾驶的岗位有哪些 ，于是，笔者写了一个简单的爬虫 crawler-boss ，将岗位的信息收集起来。

这篇文章，笔者想分享爬虫 crawler-boss 的设计思路。

1 基本原理 Selenium + chromedriver

对于很多动态渲染的网页而言，想要抓取它的数据，就需要对网页的 JS 代码以及 Ajax 接口等进行分析。

而当 JS 代码混乱，难以分析，Ajax 的接口又含有很多加密参数的时候，就非常难以直接找出规律，那么上述过程会花费大量的时间和精力。

上图中， Boss 直聘接口参数比较多，笔者并不想花太多时间研究这些参数，于是笔者选择了另一种方案： Selenium + chromedriver 。

Selenium 是 web 浏览器自动化测试的工具，它可以模拟用户与所有主流浏览器之间的交互，比如点击，输入，抓取，拖拽等等。

但是 Selenium 与网络爬虫又有千丝万缕的关系，由于现在的网页大多采用是JavaScript动态渲染，使得爬虫返回的结果可能与用户实际看到的网页并不一致。我们看到的网页可能是经过Ajax加载，或者是JavaScript以及其他算法计算后生成的。

因此，我们可以使用 Selenium 直接模拟浏览器运行，我们肉眼看到的是什么样，能够抓取的数据就是什么样。

2 安装 chromedriver

WebDriver 是 Selenium 的核心组件 ， 负责控制浏览器进行各种操作。WebDriver 可以通过不同的驱动程序与不同的浏览器进行通信，比如 ChromeDriver、FirefoxDriver 等。

1、查看当前Google浏览器版本

打开Google浏览器，网址栏输入：chrome://settings/help

2、下载对应版本的chromedriver

对照你的版本下载，当你使用的是 Chrome 版本 115 或更高版本，就点最上面的链接：

https://chromedriver.chromium.org/downloads/

找到你对应的版本，我这里是122.0.6261.129

下载完成之后，将文件解压后，拷贝到 /usr/local/bin/ 目录 。

安装完 chromedriver 后，Java 应用中添加如下依赖：

<dependency>
    <groupId>org.seleniumhq.selenium</groupId>
    <artifactId>selenium-server</artifactId>
    <version>3.141.59</version>
</dependency>

然后通过如下代码，测试环境是否 OK 。

public static void main(String[] args) {
      WebDriver webDriver = new ChromeDriver();
      webDriver.get("https://juejin.cn");
}

点击运行，如果打开了掘金网页说明环境配置成功。

3 流程分析

1、进入搜索页面 , 搜索框中输入‘自动驾驶’

2、搜索结果若出现登录浮窗，则关闭，将页面中职位列表通过 class 截取出来，保存到数据库

3、点击下一页

4 写到最后

当我们将 Selenium 作为爬虫工具时，尽管它有很多优点，但也存在明显的缺点。

Selenium 模拟浏览器动作，除了加载需要的数据外，还会加载图片、JS、CSS等不必要的内容，导致网络资源和计算资源消耗增加，爬取速度变慢，爬取规模受限。

因此，长期大规模使用 Selenium 作为生产工具不是一个明智的选择。

然而，如果只是想在个人电脑上快速抓取少量数据，Selenium 确实是一个非常方便的工具。

最后， crawler-boss 的源码实现非常简单，假如同学们感兴趣，可以关注公众号，回复 「爬虫」即可获取。

参考文档：

https://zhuanlan.zhihu.com/p/137710454

https://juejin.cn/post/7284318118993068051

---

如果我的文章对你有所帮助，还请帮忙点赞、在看、转发一下，你的支持会激励我输出更高质量的文章，非常感谢！