前前言
本文首发于 github blog
不想看爬虫过程只想看职位钱途数据分析请看这里：
前端招聘岗位分析
C++招聘岗位分析
JAVA招聘岗位分析
PHP招聘岗位分析
Python招聘岗位分析
想看源码或想自己爬一个请看这里：本文github源码
前言
早在一年前大学校招期间，为了充实下简历，就写了个node爬虫，可惜当时能力有限，工程存在一定的局限性，不好意思拿出来装逼分享。
一年过去了，现在能力依然有限，但是脸皮却练厚了，于是就有了这篇文章。
题纲
关于爬虫，主流技术是用python，然而随着node的出现，对于对python了解有限的前端同学，用node来实现一个爬虫也不失为一个不错的选择。
当然无论是python爬虫还是node爬虫或者其他品种的爬虫，其实除了语言特性之外，其思路基本大同小异。下面我就为大家详细介绍下node爬虫的具体思路与实现，内容大概如下：
-
爬前准备
- 选择目标
- 分析可收集数据与目标可爬取入口
-
爬虫
- 爬取
JSON数据 - 爬取
HTML文档，提取有用信息 - Mongodb 数据存储
- 并发控制
- 动态IP代理（防止IP被禁）
- 爬取
- 数据可视化展示
爬前准备
选择目标
既然要写爬虫，当然要爬一些利益相关的数据比较好玩啦。爬取招聘网站的招聘信息，来看看互联网圈子里各个工种的目前薪酬状况及其发展前景，想来是不错的选择。
经我夜观天下，掐指一算，就选拉勾网吧。
分析可收集数据
一个职位招聘信息，一般来说，我们关注的重点信息会是：
- 薪酬（毫无疑问，重中之重）
- 工作城市
- 学历要求
- 工作年限要求
- 雇主公司
- 公司领域
- 公司规模
带着想要收集的信息，首先，进入拉勾官网，搜索web前端岗位，能看到
很好，我们想要的信息基本都有了。
分析目标可爬取入口
PC端入口
F12 分析请求资源，可得https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false&isSchoolJob=0
post 请求体
{
first:false,
pn:1,
kd:`web前端`
}响应JSON数据
完美！！！ 数据格式都已经帮我们整理好了，直接爬就行了。
但，完美的数据总不会这么轻易让你得到，经我用 node 和 python，还有postman 携带浏览器全部header信息一一测试，均发现：
好吧，此路不通。（此接口反爬虫机制不明，有研究的大神请留言=_=）
所谓条条大路通罗马，此路不通，咱绕路走。
移动端入口
经过一番探索，发现 拉勾移动端站点 空门大开！
提示： 一般有点技术含量的网站都可能会存在不同强度的反爬虫机制，而一般其移动端站点的反爬虫机制相对于PC站点较弱，是一个不错的着手点。再不行的话，还可以去其app端抓包分析是否存在想要的请求哦。
GET请求： https://m.lagou.com/search.js...
响应信息：
很好，虽然数据信息有点少，但是总算是一个能爬的接口了。
爬虫
好了，分析也分析完了，现在正式设计爬虫程序。
JSON数据爬取
-
首先，把请求的路径与参数单独抽离。
let spider = { requestUrl : "http://m.lagou.com/search.json", query: { city: '', pageNum: '', job: '', }, ... } -
发出请求，此处的服务端构造请求使用 superagent，当然，用 request 等类似的包也可以，并无限定。
let spider = { .... /** * 发起单个请求 * @return { -
处理数据
let spider = { .... /** * 处理爬取到的原始数据，提取出所需的数据 * @param {} - companyList : 原始数据 * @return { -
保存数据，此处数据库使用
mongodb，ORM使用moogoose。save2db(jobList) { return new Promise((resolve, reject)=>{ Job.create(jobList,function (err,product) { if (err) { console.error(err.errmsg) err.code == 11000 && resolve('丢弃重复数据') reject(err); } else { resolve("save data to database successfully") } }) }) },
HTML 数据解析爬取
从上述的json数据其实我们可以看到，JSON返回的信息十分有限，那么我们需要爬取更多的信息，就需要在招聘详情页解析 html 后提取出所需的信息
随便打开一个移动端的招聘详情页https://m.lagou.com/jobs/3638173.html，目测出url结构很简单，就是jobs/{{positionId}}.html
从详情页中可以找出 JSON 数据中缺少的数据项：工作年限要求，学历要求，雇主公司领域，雇主公司融资情况，雇主公司规模大小。
爬取方法和上述爬取 JSON 数据相差无几，主要差别就是数据解析部分，这里需要用到cherrio来解析 爬取到的HTML，从而更简单地提取必要信息。
handleCallbackData({res, jobId}) {
var $ = cheerio.load(res.text);
let workYear = $('#content > div.detail > div.items > span.item.workyear > span').text(),
qualification = $('#content > div.detail > div.items > span.item.education').text().trim(),
field = $('#content > div.company.activeable > div > div > p').text().trim().split(/\s*\/\s*/)[0]
companySize = $('#content > div.company.activeable > div > div > p').text().trim().split(/\s*\/\s*/)[2];
/* 如果这四项数据都没有提取到，很有可能是被拉勾的反爬虫机制拦截了 */
if ( !(workYear || qualification || field || companySize) ) {
console.log(res.text)
return Promise.reject({code:-1, msg:'wrong response!', jobId});
}
return {
id: jobId,
jobInfo: {
workYear,
qualification,
field,
// financeStage,
companySize,
}
}
},并发控制
做过爬虫的都知道，爬虫的请求并发量是必须要做的，为什么要控制并发？
- 控制其爬取频率，以免没爬几个就网站被封IP了。
- 控制爬虫应用运行内存，不控制并发的话一下子处理N个请求，内存分分钟爆炸。
实现并发控制可以使用npm包 async.mapLimit，这里为了自由度更大我使用了自己实现的 15 行代码实现并发控制。
具体代码如下：
let ids = [2213545,5332233, ...], // 招聘岗位详情id列表
limit = 10, // 并发数
runningRequestNum = 0 , // 当前并发数
count = 0; // 累计爬取数据项计数
mapLimit(ids, limit, async (jobId)=>{
let requestUrl = `http://m.lagou.com/jobs/${jobId}.html?source=home_hot&i=home_hot-6` ;
let delay = parseInt(Math.random() * 2000);
let currentIndex = count++;
runningRequestNum++
await sleep( delay ); // 避免爬太快被封ip，休眠一两秒
let result = await spiderHTML.run({
requestUrl,
jobId,
proxyIp
})
console.log(`当前并发数`, runningRequestNum)
runningRequestNum--
return result;
}).then(mapResult => {
// 并发控制下将 ids 全部迭代完毕
// do something
})
然而，即便严格控制了请求频率，我们还是不可避免地中招了。
对于反爬虫措施比较暴躁的网站来说，一个IP爬取太过频繁，被识别成机器爬虫几乎是不可避免的。
一般来讲，我们最简单直接的方法就是：换IP。这个IP访问频率太高了被反爬拦截到，换个IP就行了嘛。
动态IP代理
单个IP爬虫对于反爬较为严厉的网站是走不通的。那么我们需要用到动态IP池，每次爬取时从IP池中拉取一个IP出来爬数据。
道理很简单，
1秒内1个IP访问了100个页面，即便是单身20多年的手速也无法企及。只能是机器爬虫无疑。
但1秒内100个IP访问100个页面，平均每个IP一秒内访问了1个页面，那基本不会被反爬干掉
怎么搭建动态IP池？
- 首先我们得有一个IP源，动态IP池的补充都从这里拉取，这个网上搜一下"免费代理IP"就有很多出来，选其中一个，收费的IP源比较稳定可靠，免费的就一分钱一分货了。
- 其次，每次从IP源中拉取的IP都是无法确认其是否可用的，我们必须筛选一遍，提取出可用的IP。（PS: 此处和步骤4目的一直，如果IP源较为可靠，可以省略）
- 设计从IP池中拉取单个IP的策略，使得每个IP使用频率均匀，尽量避免单个IP使用频率过高而失效。
- 移除失效IP。尽管设计了拉取策略，但依旧不可避免某些IP失效，此时需要将其移出IP池废弃。
动态IP池工作流程：
st=>start: 提取一个可用IP
e=>end: 根据策略返回一个可用IP
isEnought=>condition: 池中IP数量是否足够
fetch=>operation: 从IP源拉取IP
valid=>operation: 筛选出有效IP并存入IP池
st->isEnought(yes)->e
isEnought(no,right)->fetch(right)->valid(right)->isEnought具体实现代码其实和上面的爬虫差不多，无非就是爬岗位变成了爬IP而已，具体实现源码在这，就不在这写了。
数据可视化分析
我们最终折腾爬虫，无非就是想要看爬到的数据到底说明了什么。
成功爬取了拉钩网上多个招聘岗位的具体信息后，数据可视化并得出分析结果如下：
从整体看，北上广深杭这五个城市前端工程师招聘岗位，北京是遥遥领先，是深圳的两倍，是广州的三倍，其次到上海，深圳，杭州，广州居末。
从需求量大概可以看出，整体互联网产业发达程度是 北 > 上 > 深 > 杭 > 广
由平均工资曲线图可以看到，每隔2K算一档的话，北京一档，上海一档，杭州深圳一档，空一档，广州吊车尾，杭州竟然比深圳高了300，这就代表着深圳虽然招聘需求比杭州大，但两者薪酬待遇其实差不多。
从不同薪酬的招聘数量也能看出一些很大的区别，招聘提供薪资水平中，普遍数量最多的是10k-20k这个水平，但，北京牛逼，招聘岗位60%以上都是20K以上的。我们具体来看看，各个城市对高端人才（提供薪酬20k以上）的招聘比例，那就可以看出明显区别了：
- 北京：招聘的薪资水平是"20k以上",大概是招聘总数的59.7%
- 上海：招聘的薪资水平是"20k以上",大概是招聘总数的41.3%
- 深圳：招聘的薪资水平是"20k以上",大概是招聘总数的29.2%
- 杭州：招聘的薪资水平是"20k以上",大概是招聘总数的30.4%，和深圳相差不大
- 广州：招聘的薪资水平是"20k以上",大概是招聘总数的……10.4%。
基本可以看到一个明显的趋势，公司规模越大，能提供的薪酬越高，不差钱。
另外，从不同规模的公司的前端招聘数量来看，北京又一枝独秀，大公司招聘需求很高。
但从全国来看，不同规模的公司（除了15人以下的）招聘数量基本在同一水平，基本说明：大公司少，但是每个公司招聘的人多；小公司多，但是每个公司招聘的人少。好像这是句废话。
从图上看，工作经历在1-5年的现在需求最旺盛，并且理所当然地，工作资历越高，薪资越高。
其中3-5年的最吃香，广州有点奇怪，1-3年的最吃香？综合上面的多项数据，感觉像是1-3年工资比3-5年低所以广州互联网公司多招1-3年
当然，这里存在这一个幸存者偏差，拉勾上大部分的都是社招性质的招聘，而应届生和1年经验的大部分都跑校招去了吧，所以数量低也不出奇。
移动互联网占据了大半壁江山，剩下之中，金融，电子商务，企业服务，数据服务在同一层次。另外，物联网，智能硬件各有一招聘岗位，薪酬都是5K...嗯虽说node现在也可以做物联网了(还别说，我还真的用node搞过硬件串口通信Orz)，但是终究不是主流技术，数据展示表明，前端基本与硬件绝缘。
薪酬待遇倒是都在同一水平上，“大数据”工资倒是一枝独秀，但是数据量太少，参考价值不大。
总结：北京钱多机会多当之无愧第一档；上海稍逊一筹；杭州深圳又低一筹；广州真的是差了两个身位。 而对于前端来说，北京 移动互联网 大公司，钱多！坑多！速来！