工欲善其事必先利其器,准备做一个拉钩的app,但是没数据可怎么办,那就直接扒裤衩去爬吧
一般爬虫的思路为:
1. 分析页面结构
2. 是否有接口
3. 模仿请求(解决反爬的各种方式)
4. 解析数据
5. 存储数据
按照以上的思路,先分析了一波拉钩网的结构,发现拉钩是直接通过接口传递数据的(这也太爽了),但是有ip访问限制,大概是1分钟请求5次的频率,所以准备一个ip代理池(土豪可以直接买一个)
接下来直接上代码了
配置信息:
client = pymongo.MongoClient(host='localhost', port=27017)
db = client['data_name']
data_collection = db['data_collection ']
headers = {
"Referer": "https://www.lagou.com/jobs/list_",#必填,否则没数据
"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/58.0.3029.81 Safari/537.36",
}
筛选关键词:
keywords = [
'java',
'python',
'前端',
...#你想要的岗位或要求
]
主要爬取流程
先使用本地ip获取->当被限制时,从代理ip池中取出ip爬取数据(该ip不可用则删除,可以使用则连续使用该ip)->将爬取的数据,进行查重并存储。
base_request = requests.post(url, data=data, headers=headers, timeout=3)
if not base_request.json().get('content', ''):
flag = False
while not flag: # 若代理ip没走通则换一个
try:
r = requests.post(url, data=data, headers=headers, timeout=3, proxies=proxies)
if not r.json().get('content', ''):
raise Exception('这个ip不能用')
save_to_db(r.json().get('content', '')) # 存入数据库
flag = True # 成功获取数据跳出循环
except Exception as e:
if 'HTTPSConnectionPool' in str(e):
delete_proxy(proxy) # 代理本身不可用则删除该代理
proxy = str(get_proxy(), encoding='utf-8')
proxies = {
'http': 'http://{}'.format(proxy),
'https': 'http://{}'.format(proxy),
} # 切换代理
else:
save_to_db(base_request.json().get('content', ''),'data') # 存入数据库
def save_to_db(content, now_type):
if now_type == 'data':
data_list = content
for item in data_list:
print(item)
find_data = data_collection .find_one(
{'companyId': item.get('companyId')})
if not find_data: # 查重后插入数据库
data_collection .insert(item)