爬虫进阶：Scrapy 抓取 boss 直聘、拉勾心得经验

关于使用Scrapy的体会，最明显的感受就是这种模板化、工程化的脚手架体系，可以说是拿来即可开箱便用，大多仅需按一定的规则套路配置，剩下的就是专注于编写跟爬虫业务有关的代码。绝大多数的反反爬虫策略，大多有以下几种：

• 忽略robots.txt协议
• 添加随机请求头，如cookie、user-agent等
• sleep休眠
• 控制并发请求数、设置页面下载延迟
• 验证码识别(靠谱)
• 使用ip代理池(最靠谱)

文章的出发点是share本人使用scrapy爬取Boss和拉勾两个招聘网的一些实操总结经验。两个网站的网页结构不尽相同，好在需要及提取出的最终数据基本保持了一致，出于两个网站不同的反爬策略和请求配置(settings.py)，因此对应实际的情况是两个Scrapy项目。

友情提醒，这里不介绍scrapy示例及完整代码(Tip: 下方贴有完整代码链接)。如文章标题描述的那样，由于拉勾和Boss都有各自不同的反爬策略，多少也限制了一些爬虫学习者的热情，包括我自身在内，不过多番尝试之后还是有收获的，跑的是定时计划，目前已入库的有近三万条数据。

进入正题，下面分别介绍拉勾网以及Boss直聘网岗位招聘数据的爬取心得，不过网站的反爬策略和网页结构随时都有发生变动的可能，因此还是需要根据实际情况进行再调整。本次分享的内容截止到2018年09月28日，在实际运行项目中依然生效。

拉勾

• 关闭默认cookie(否则会跟请求头中的Cookie冲突)，自定义请求headers并添加随机Cookie属性
  • 在settings.py中找到并设置COOKIES_ENABLED = False
  • 可以在spider代码中为Request手动添加headers，或者修改settings.py中的DEFAULT_REQUEST_HEADERS属性，或者编写自定义的HeadersMiddleware(继承DefaultHeadersMiddleware，重写process_request方法，别忘了配置)

拉勾网的cookie，用uuid随机生成即可，参考如下：

	def random_cookie():
		args = (uuid.uuid4(),) * 5
		cookie = 'user_trace_token={}; LGUID={}; JSESSIONID={}; LGSID={}; LGRID={}'.format(*args)

		return cookie

• 控制并发请求数及设置下载延迟

在settings.py中找到并设置如下，因此理论上一天可抓60/2 * 2 * 60 * 24 =86400条数据：

	# 当并发数和下载延迟均设置为2时，没有出现反爬限制(可多次尝试)
	CONCURRENT_REQUESTS = 2
	DOWNLOAD_DELAY = 2

补充：上述说明中，请求Cookie是必须要加的，否则会重定向到登录页面；在未使用ip代理的情况下，并发数不宜设置过大，亲测是直接封了IP…

Boss直聘

对比拉勾网，感觉直聘网的反爬策略会更加严格，不过抓慢一点还是可以的(这样理论上一天是60/5 * 1 * 60 * 24 =17280条数据)

• 设置随机User-Agent(可能非必需)

• 控制并发请求数、下载延迟

	# 这么慢还是被限制...
	CONCURRENT_REQUESTS = 1
	DOWNLOAD_DELAY = 5

• 加入验证码识别

事实上，这种情况下限制后是被重定向到一个验证码页面。本人目前的解决方案是编写自定义的CustomRedirectMiddleware(继承RedirectMiddleware，重写process_response方法进行验证码识别[第三方API])

小结

分享的都是比较曲中的解决方案，不差钱的建议直接上ip代理(实测过免费的，别指望了)。

相关代码 - 拉勾
相关代码 - boss
欢迎关注我的个人公众号：超级码里奥
如果这对您有帮助，欢迎点赞和分享，转载请注明出处