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。
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(‘(\d+.\d+.\d+.\d+)’, res.text)
19 port_list = re.findall(‘(\d+)’, 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
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)
g_convert/6c361282296f86381401c05e862fe4e9.png)
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)