当前位置：首页 > article >正文

基于Spider异步爬虫框架+JS动态参数逆向+隧道代理+自定义中间件的猎聘招聘数据爬取

article 2024/11/15 23:30:17

在本篇博客中，我们将介绍如何使用 Scrapy 框架结合 JS 逆向技术、代理服务器和自定义中间件，来爬取猎聘网站的招聘数据。猎聘是一个国内知名的招聘平台，提供了大量的企业招聘信息和职位信息。本项目的目标是抓取指定城市的招聘信息，提取相关的职位名称、薪资、公司名称等信息。

项目结构

项目的基本结构如下：

liepin/
├── liepin/
│   ├── items.py          # 定义Item模型
│   ├── pipelines.py      # 定义数据处理管道
│   ├── settings.py       # Scrapy的配置文件
│   ├── spiders/
│   │   └── lp_spider.py  # 爬虫代码
├── lp.js                 # JS逆向代码
└── data.csv              # 存储爬取的招聘数据

lp_spider.py：定义了爬虫的核心逻辑，负责发起请求、解析数据并将数据传递给 pipeline 进行处理。
middlewares.py：自定义了爬虫和下载器中间件，处理请求的重试逻辑和代理。
pipelines.py：定义了数据存储的逻辑，将爬取的数据保存为 CSV 文件。
settings.py：配置 Scrapy 框架的各项设置。
lp.js：包含 JS 代码，用于生成请求所需的参数。

步骤 1: 配置代理和用户身份认证

在爬虫开始前，我们首先需要配置代理服务器。为了防止 IP 被封锁，我们使用了快代理提供的代理服务器。代理认证信息包括 username 和 password，通过将这些信息构造为代理 URL：

# 隧道域名:端口号
tunnel = "xxxx"

# 用户名密码方式
username = "xxxx"
password = "xxxx"

proxy_url = f"http://{username}:{password}@{tunnel}"

然后，我们将在后续请求中使用该代理 URL。

步骤 2: 使用 JS 逆向技术生成请求参数

猎聘的 API 请求需要一个动态生成的 ckId 参数，这是通过执行 JavaScript 代码来生成的。为了获取这个参数，我们通过 Python 的 execjs 库来执行 JS 代码。

js_file = open('../lp.js', mode='r', encoding='utf-8').read()
js_code = execjs.compile(js_file)
ckId = js_code.call('r', 32)

其中，r 是 JS 代码中的一个函数，用于生成一个随机的 ckId 值。这样可以模拟正常用户请求，避免被反爬虫机制拦截。

步骤 3: 编写爬虫逻辑

爬虫的核心是发起请求并解析返回的数据。我们定义了一个名为 LpSpider 的爬虫类，继承自 Scrapy 的 Spider 类。

class LpSpider(scrapy.Spider):
    name = "lp"
    custom_settings = {
        'RETRY_ENABLED': True,
        'RETRY_TIMES': 3,
        'RETRY_HTTP_CODES': []
    }

    def start_requests(self):
        for city in city_list:
            for key in key_word:
                for page in range(0, 10):
                    js_code = execjs.compile(js_file)
                    ckId = js_code.call('r', 32)
                    
                    data = { ... }  # 构造请求数据
                    json_data = json.dumps(data)
                    
                    url = 'https://api-c.liepin.com/api/com.liepin.searchfront4c.pc-search-job'
                    
                    headers = { ... }  # 请求头部信息
                    
                    yield scrapy.Request(url=url, method='POST', headers=headers, body=json_data, callback=self.parse, meta={'proxy': proxy_url})

步骤 4: 解析响应数据

当服务器返回职位数据时，我们需要提取相关信息。主要的数据包括职位名称、薪资、公司信息等。在 parse 方法中，我们从 JSON 响应中提取数据，并将每个职位的详情链接传递给 parse_details_page 方法。

def parse(self, response):
    data = json.loads(response.body)
    job_card_list = data['data']['data']['jobCardList']
    for job_card in job_card_list:
        job_link = job_card['job']['link']
        yield scrapy.Request(url=job_link, callback=self.parse_details_page, meta={'proxy': proxy_url})

步骤 5: 解析职位详情页

在职位详情页中，我们进一步提取职位的详细信息，如公司介绍、职位描述等。

def parse_details_page(self, response):
    try:
        item = LiepinItem()
        item['title'] = response.xpath('//span[@class="name ellipsis-2"]/text()').get()
        item['salary'] = response.xpath('//span[@class="salary"]/text()').get()
        item['company_name'] = response.xpath('//div[@class="name ellipsis-1"]/text()').get()
        item['company_intro'] = response.xpath('//div[@class="inner ellipsis-3"]/text()').get()
        item['job_intro'] = response.xpath('//dd[@data-selector="job-intro-content"]/text()').get()
        item['job_loca'] = response.xpath('/html/body/section[3]/div[1]/div[3]/span[1]/text()').get()
        item['job_exp'] = response.xpath('/html/body/section[3]/div[1]/div[3]/span[3]/text()').get()
        item['job_educate'] = response.xpath('/html/body/section[3]/div[1]/div[3]/span[5]/text()').get()
        
        key_word_elements = response.xpath('//div[@class="tag-box"]/ul/li/text()')
        item['key_word_list'] = [kw.get() for kw in key_word_elements]
        
        item['company_info'] = [
            response.xpath('//div[@class="company-other"]/div[1]/span[@class="text"]/text()').get(),
            response.xpath('//div[@class="company-other"]/div[2]/span[@class="text"]/text()').get(),
            response.xpath('//div[@class="company-other"]/div[3]/span[@class="text"]/text()').get(),
        ]
        
        item['details_url'] = response.url
        yield item
    except Exception as e:
        self.logger.error(f"An error occurred: {e}")

步骤 6: 配置重试和延迟

由于爬虫在运行时可能会遇到网络错误或被目标网站屏蔽，因此我们需要实现请求的重试逻辑。我们通过自定义重试中间件来实现该功能。

class CustomRetryMiddleware(RetryMiddleware):
    def process_exception(self, request, exception, spider):
        if isinstance(exception, self.EXCEPTIONS_TO_RETRY):
            retry_times = request.meta.get('retry_times', 0) + 1
            if retry_times <= self.max_retry_times:
                retryreq = self._retry(request, exception, spider)
                if retryreq is not None:
                    retryreq.meta['retry_times'] = retry_times
                    return retryreq

步骤 7: 数据存储

抓取到的职位信息通过 Scrapy 的 pipeline 存储到 CSV 文件中。我们定义了一个 LiepinPipeline 类来处理数据存储。

class LiepinPipeline:
    def __init__(self):
        self.file = open('data.csv', 'a', newline='', encoding='utf-8')
        self.writer = csv.writer(self.file)
        self.writer.writerow(['Job Name', 'Salary', 'Company Name', 'Company Intro', 'Job Intro', 'Job Location', 'Job Experience', 'Job Education', 'Key Word List', 'Company Info', 'Details URL'])

    def process_item(self, item, spider):
        self.writer.writerow([item['title'], item['salary'], item['company_name'], item['company_intro'], item['job_intro'], item['job_loca'], item['job_exp'], item['job_educate'], item['key_word_list'], item['company_info'], item['details_url']])
        return item

    def close_spider(self, spider):
        self.file.close()

将爬取失败的代码采用selenium进行重采（登录后）

代码的主要流程如下：

读取失败的请求URL：
我们从一个文件failed_requests.txt中读取之前失败的URL，并存储在failed_requests列表中。
配置Selenium WebDriver：
我们使用Chrome浏览器作为Selenium的驱动程序，通过webdriver.Chrome()初始化浏览器实例。设置隐式等待时间（implicitly_wait(3)）来处理网页加载的延迟。
处理每个失败的请求：
对于每个失败的URL，我们重新访问该页面。为了避免频繁的登录，我们使用一个标志has_logged_in来判断是否已经登录。如果没有登录，我们手动提示登录操作。
提取网页数据：
使用Selenium获取当前页面的源代码后，使用lxml.etree解析HTML。通过XPath选择器，我们提取职位的相关信息，如职位标题、薪资、公司介绍、职位要求等。
- 职位标题：tree.xpath('/html/body/section[3]/div[1]/div[1]/span[1]/span/text()')
- 薪资：tree.xpath('//span[@class="salary"]/text()')
- 公司信息：包括公司名称、公司介绍等，均通过XPath进行提取。
处理提取错误：
使用try-except语句来处理数据提取过程中可能出现的错误，避免程序中断。即使某个字段没有数据，代码仍然会继续运行，确保尽可能多地提取到有效数据。
将数据写入CSV：
提取的数据被按行写入CSV文件，包含公司名称、职位信息、薪资、工作要求等字段。
关闭WebDriver：
在所有请求处理完毕后，调用driver.quit()关闭浏览器实例，释放资源。

代码示例

# 从文件中读取失败的请求URL
with open('failed_requests.txt') as f:
    failed_requests = [line.strip() for line in f.readlines()]

# 设置Selenium WebDriver
driver = webdriver.Chrome()
driver.implicitly_wait(3)

has_logged_in = False

# 打开CSV文件用于写入数据
with open('failed_requests_data.csv', mode='w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    # 写入表头
    writer.writerow(
        ['Company Name', 'Company Intro', 'Job Intro', 'Job Location', 'Job Experience', 'Job Education', 'Title',
         'Salary', 'Key Words', 'Company Info', 'Details URL'])

    for failed_request in failed_requests:
        driver.get(failed_request)
        if not has_logged_in:
            input('请登录')
            has_logged_in = True

            # 提取数据
            title = tree.xpath('/html/body/section[3]/div[1]/div[1]/span[1]/span/text()')[0] if tree.xpath('/html/body/section[3]/div[1]/div[1]/span[1]/span/text()') else ''
            salary = tree.xpath('//span[@class="salary"]/text()')[0] if tree.xpath('//span[@class="salary"]/text()') else ''
            company_name = tree.xpath('//div[@class="name ellipsis-1"]/text()')[0] if tree.xpath('//div[@class="name ellipsis-1"]/text()') else ''
            company_intro = tree.xpath('//div[@class="inner ellipsis-3"]/text()')[0] if tree.xpath('//div[@class="inner ellipsis-3"]/text()') else ''
            job_intro = tree.xpath('//dd[@data-selector="job-intro-content"]/text()')[0] if tree.xpath('//dd[@data-selector="job-intro-content"]/text()') else ''
            job_loca = tree.xpath('/html/body/section[3]/div[1]/div[3]/span[1]/text()')[0] if tree.xpath('/html/body/section[3]/div[1]/div[3]/span[1]/text()') else ''
           
# 关闭WebDriver
driver.quit()