【Python3爬虫】拉勾网爬虫

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）

 import requests
 import re

 class Proxies:
     def __init__(self):
         self.proxy_list = []
         self.headers = {
             "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
                           "Chrome/45.0.2454.101 Safari/537.36",
             'Accept-Encoding': 'gzip, deflate, sdch',
         }

     # 爬取西刺代理的国内高匿代理
     def get_proxy_nn(self):
         proxy_list = []
         res = requests.get("http://www.xicidaili.com/nn", headers=self.headers)
         ip_list = re.findall('<td>(\d+\.\d+\.\d+\.\d+)</td>', res.text)
         port_list = re.findall('<td>(\d+)</td>', res.text)
         for ip, port in zip(ip_list, port_list):
             proxy_list.append(ip + ":" + port)
         return proxy_list

     # 验证代理是否能用
     def verify_proxy(self, proxy_list):
         for proxy in proxy_list:
             proxies = {
                 "http": proxy
             }
             try:
                 if requests.get('http://www.baidu.com', proxies=proxies, timeout=2).status_code == 200:
                     print('success %s' % proxy)
                     if proxy not in self.proxy_list:
                         self.proxy_list.append(proxy)
             except:
                 print('fail %s' % proxy)

     # 保存到proxies.txt里
     def save_proxy(self):
         # 验证代理池中的IP是否可用
         print("开始清洗代理池...")
         with open("proxies.txt", 'r', encoding="utf-8") as f:
             txt = f.read()
         # 判断代理池是否为空
         if txt != '':
             self.verify_proxy(txt.strip().split('\n'))
         else:
             print("代理池为空！\n")
         print("开始存入代理池...")
         # 把可用的代理添加到代理池中
         with open("proxies.txt", 'w', encoding="utf-8") as f:
             for proxy in self.proxy_list:
                 f.write(proxy + "\n")

 if __name__ == '__main__':
     p = Proxies()
     results = p.get_proxy_nn()
     print("爬取到的代理数量", len(results))
     print("开始验证：")
     p.verify_proxy(results)
     print("验证完毕：")
     print("可用代理数量：", len(p.proxy_list))
     p.save_proxy()

在middlewares.py中添加如下代码：

 class LaGouProxyMiddleWare(object):
     def process_request(self, request, spider):
         import random
         import requests
         with open("具体路径\proxies.txt", 'r', encoding="utf-8") as f:
             txt = f.read()
         proxy = ""
         flag = 0
         for i in range(10):
             proxy = random.choice(txt.split('\n'))
             proxies = {
                 "http": proxy
             }
             if requests.get('http://www.baidu.com', proxies=proxies, timeout=2).status_code == 200:
                 flag = 1
                 break
         if proxy != "" and flag:
             print("Request proxy is {}".format(proxy))
             request.meta["proxy"] = "http://" + proxy
         else:
             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：

 SPIDER_MIDDLEWARES = {
     'LaGou.middlewares.LaGouProxyMiddleWare': 543,
 }

在item.py中添加如下代码：

 import scrapy

 class LaGouItem(scrapy.Item):
     city = scrapy.Field()  # 城市
     salary = scrapy.Field()  # 薪水
     position = scrapy.Field()  # 职位
     education = scrapy.Field()  # 学历要求
     company_name = scrapy.Field()  # 公司名称
     company_size = scrapy.Field()  # 公司规模
     finance_stage = scrapy.Field()  # 融资阶段

在pipeline.py中添加如下代码：

 import pymongo

 class LaGouPipeline(object):
     def __init__(self):
         conn = pymongo.MongoClient(host="127.0.0.1", port=27017)
         self.col = conn['Spider'].LaGou

     def process_item(self, item, spider):
         self.col.insert(dict(item))
         return item

在spiders文件夹下新建一个spider.py，代码如下：

 import json
 import scrapy
 import codecs
 import requests
 from time import sleep
 from LaGou.items import LaGouItem

 class LaGouSpider(scrapy.Spider):
     name = "LaGouSpider"

     def start_requests(self):
         # city = input("请输入城市：")
         # position = input("请输入职位方向：")
         city = "上海"
         position = "python"
         url = "https://www.lagou.com/jobs/positionAjax.json?px=default&needAddtionalResult=false&city={}".format(city)
         headers = {
             "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')),
             "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",
             "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.89 Safari/537.36"
         }
         data = {
             "first": "true",
             "pn": 1,
             "kd": position
         }
         res = requests.post(url, headers=headers, data=data)
         # 获取相关职位结果数目
         count = res.json()['content']['positionResult']['totalCount']
         # 由于最多显示30页，也就是最多显示450条职位信息
         page_count = count // 15 + 1 if count <= 450 else 30
         for i in range(page_count):
             sleep(5)
             yield scrapy.FormRequest(
                 url=url,
                 formdata={
                     "first": "true",
                     "pn": str(i + 1),
                     "kd": position
                 },
                 callback=self.parse
             )

     def parse(self, response):
         try:
             # 解码并转成json格式
             js = json.loads(response.body.decode('utf-8'))
             result = js['content']['positionResult']['result']
             item = LaGouItem()
             for i in result:
                 item['city'] = i['city']
                 item['salary'] = i['salary']
                 item['position'] = i['positionName']
                 item['education'] = i['education']
                 item['company_name'] = i['companyFullName']
                 item['company_size'] = i['companySize']
                 item['finance_stage'] = i['financeStage']
                 yield item
         except:
             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。