node.js 爬取招聘信息分析各职业钱途（爬虫+动态IP代理+数据可视化分析）

头像
微雨微语
    阅读 8 分钟
    21

    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）
    • 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
    clipboard.png

    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

    clipboard.png

    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：
    clipboard.png
    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。

    clipboard.png

    GET请求： https://m.lagou.com/search.js...
    响应信息：
    clipboard.png

    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

    1. 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: '',
    },
    ...
}

    2. 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 {<Promise<Array>> | <Promise<String>>} 请求成功resolve原始数据，否则reject
  **/
    request() {
        return new Promise((resolve,reject)=>{
            superagent
            .get(this.requestUrl)
            .query({
                city: this.query.city,
                pageNo: this.query.pageNum,
                positionName: this.query.job
            }).end((err, res)=>{
                let dataList = [];
                if (err || !res || !res.ok) {
                    console.error(err);
                    reject('request failed!')
                } else  {
                    dataList = res.body.content.data.page.result
                    if (dataList.length === 0) {
                        // 当请求结果数组长度为0，即认为已经到末页，结束爬虫
                        reject('finish');                     
                    } else {
                        resolve(dataList)
                    }
                } 
            })
        })
    },

    3. 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 {<Array>} - companyList : 原始数据
 * @return {<Promise<Array>>} resolve处理过的数据
  **/
    handleCallbackData(companyList) {
       
        //处理数据
         let arr = companyList.map((item) => {
            let salary = item.salary.split('-');
            
            //工资两种情况：”10k以上“ or "10k-15k"， 平均工资取中位数
            aveSalary = salary.length == 1 ? parseInt(salary[0])*1000 : (parseInt(salary[0]) + parseInt( salary[1] ) )*500;

            //过滤出所需数据
            return {
                companyFullName: item.companyFullName,
                positionId : item.positionId ,
                salary:aveSalary ,
                city:item.city ,

                field: '',
                companySize:'',
                workYear:'' ,
                qualification: '',
            }
        });

        return Promise.resolve(arr)
    }

    4. 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
    clipboard.png

    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？

    1. 控制其爬取频率，以免没爬几个就网站被封IP了。
    2. 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。

    clipboard.png

    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？

    1. 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。
    2. 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）
    3. 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。
    4. 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：

    clipboard.png
    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

    clipboard.png
    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%。

    clipboard.png
    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。

    clipboard.png
    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。

    clipboard.png
    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！

    javascript前端node.js网页爬虫ecmascript-6
    微雨微语
    1.6k 声望571 粉丝

    程序猿

    « 上一篇
    15 行代码实现并发控制（javascript）
    下一篇 »
    代码分割与懒加载情况下（code-splitting+lazyload）抽离懒加载模块的公用模块代码

    引用和评论

    推荐阅读
    头像
    NodeJS运维: 从 0 开始 Prometheus + Grafana 业务性能指标监控

    微雨微语赞 11阅读 4.9k

    头像
    腾讯新闻中心首页改版啦

    小蚊酱赞 11阅读 9.3k评论 7

    头像
    网页设计的垂直居中

    寒青赞 39阅读 4.6k评论 3

    头像
    CSS团队协作规范

    寒青赞 36阅读 3.9k

    头像
    前端如何入门 Go 语言

    robin赞 26阅读 7.7k评论 8

    头像
    100个React最佳实践小技巧

    夕水赞 17阅读 2.6k评论 4

    头像
    不使用 JS 纯 CSS 获取屏幕宽高

    南城FE赞 15阅读 2.1k评论 3

    0 条评论
    得票最新