拉勾网的反爬介绍和解决方法
1. 前言
最近拉勾的反爬改动比较频繁，公司采集拉勾网的爬虫又无法正式运行，花了近一周的时间来处理拉勾网的反爬问题，特别写一篇博客来记录一下拉勾的反爬
2. 简述
爬拉勾的时候，主要是采集职位相关的信息，涉及到页面有3个
3. 反爬介绍
3.1、对于职位的详情页和公司的详情页的反爬：
职位的详情页和公司的详情页的信息都能在页面源代码中获取到，请求这两个页面也没有使用太多反爬，只需要在请求的时候加入headers参数即可，不过前提是你知道页面的URL，即你需要在职位列表页中获取到职位id和公司id，才能拼接URL，得到相关的职位详情页和公司详情页
3.2、对于职位列表页的反爬：
要获取职位列表的信息，相对于比职位和公司的详情页，难度的要大一点
列表页使用了ajax加载，直接去请求原网页是获取不到想要的信息，看一下源代码
源代码没有我们需要的数据，但是网页上有显示数据，那么数据肯定是以别的方式传过来的，我们找一下数据，看哪个请求中有返回有我们需要的数据，看下找到的请求，按一下F12进入开发者模式，再点击Network–>XHR–>点击第一个请求–>response
这里返回的是一个json的可是，里面有我们需要的信息（按ctrl+F搜索关键字验证信息是否在返回的数据中）
既然找到我们需要的数据，那么如何让爬虫来获取到呢，点击Headers，我们看一下请求头，发现是个post请求，直接去构造请求来访问这个接口，发现返回的是
{"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"183.160.238.206","state":2402}并不是你访问频繁，是因为网站对cookies设置了反爬，cookies每次访问都会发生变化，想要获取这个接口的数据，需要请求2次，第一次请求的页面是源代码那个页面（即：https:///jobs/list_java?labelWords=&fromSearch=true&suginput=?labelWords=hot），直接get请求这个页面，虽然不能直接获取到需要的数据，但是能获取到cookies，服务器返回的时候会返回一个cookies参数，来更新cookies，我们在把更新后的cookies，放到post请求的参数中，就可以获取到接口的数据了
我们看一下成功请求的代码：
import requests
'''
说明：本代码只是测试，你能够使用它获得一次请求的数据，需要连续请求还请修改代码
'''
headers = {
'Connection': 'keep-alive',
'Cache-Control': 'max-age=0',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
}
response = requests.get(
'https:///jobs/list_?city=%E4%B8%8A%E6%B5%B7&cl=false&fromSearch=true&labelWords=&suginput=',
headers=headers) # 请求原网页
r = requests.utils.dict_from_cookiejar(response.cookies) # 获取cookies
r["user_trace_token"] = r["LGRID"]
r["LGSID"] = r["LGRID"]
r["LGUID"] = r["LGRID"] # 构造cookies的参数
cookies = {
'X_MIDDLE_TOKEN': '797bc148d133274a162ba797a6875817',
'JSESSIONID': 'ABAAABAAAIAACBI03F33A375F98E05C5108D4D742A34114',
'_ga': 'GA1.2.1912257997.1548059451',
'_gat': '1',
'Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6': '1548059451',
'user_trace_token': '20190121163050-dbd72da2-1d56-11e9-8927-525400f775ce',
'LGSID': '20190121163050-dbd72f67-1d56-11e9-8927-525400f775ce',
'PRE_UTM': '',
'PRE_HOST': '',
'PRE_SITE': '',
'PRE_LAND': 'https%3A%2F%2F%2F%3F_from_mid%3D1',
'LGUID': '20190121163050-dbd73128-1d56-11e9-8927-525400f775ce',
'_gid': 'GA1.2.1194828713.1548059451',
'index_location_city': '%E5%85%A8%E5%9B%BD',
'TG-TRACK-CODE': 'index_hotjob',
'LGRID': '20190121163142-fb0cc9c0-1d56-11e9-8928-525400f775ce',
'Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6': '1548059503',
'SEARCH_ID': '86ed37f5d8da417dafb53aa25cd6fbc0',
}
cookies.update(r) # 更新接口的cookies
headers = {
'Origin': 'https://',
'X-Anit-Forge-Code': '0',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36',
'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
'Accept': 'application/json, text/javascript, */*; q=0.01',
'Referer': 'https:///jobs/list_java?px=new&city=%E4%B8%8A%E6%B5%B7',
'X-Requested-With': 'XMLHttpRequest',
'Connection': 'keep-alive',
'X-Anit-Forge-Token': 'None',
}
params = (
('px', 'new'),
('city', '\u4E0A\u6D77'),
('needAddtionalResult', 'false'),
)
data = {'first': True,
'kd': 'java',
'pn': 1}
response = requests.post('https:///jobs/positionAjax.json', headers=headers, params=params,
cookies=cookies, data=data) # 请求接口
print(response.json())3.3、注意：
- 这样可以单次请求接口获取到数据，每次请求接口之前都要请求原网页，以获取cookies
- 每次请求列表页数据接口的时间间隔保持在1秒以上，不然可能会被封ip
