文章目录
-
- 一、为什么要用代理IP？(重要！！！)
- 二、环境准备（三件套走起）
-
- [2.1 安装必备库（pip大法好）](#2.1 安装必备库（pip大法好）)
- [2.2 获取亮数据代理（官网注册送试用）](#2.2 获取亮数据代理（官网注册送试用）)
- 三、编写爬虫代码（含完整异常处理）
-
- [3.1 基础爬取函数（核心代码）](#3.1 基础爬取函数（核心代码）)
- [3.2 多页爬取封装（自动翻页）](#3.2 多页爬取封装（自动翻页）)
- 四、数据清洗与存储（Pandas骚操作）
-
- [4.1 数据去重处理](#4.1 数据去重处理)
- [4.2 存储到CSV（后续AI训练用）](#4.2 存储到CSV（后续AI训练用）)
- 五、训练面试AI智能体（黑科技揭秘）
-
- [5.1 数据预处理流程](#5.1 数据预处理流程)
- [5.2 简易AI训练代码（PyTorch版）](#5.2 简易AI训练代码（PyTorch版）)
- 六、注意事项（血泪经验总结）
- 七、常见问题解答（Q&A）
一、为什么要用代理IP？(重要！！！)
兄弟们（敲黑板）！当你想批量爬取招聘网站数据时，有没有遇到过这些情况：
- 刚爬10页就被封IP（心态爆炸💥）
- 数据加载不全（关键薪资信息总缺失）
- 验证码多到怀疑人生（我是机器人吗？）
重点来了（掏出小本本记）：使用亮数据代理IP可以：
- 自动轮换IP地址（避免封禁）
- 突破地域限制（比如想爬某地岗位）
- 绕过反爬机制（成功率提升300%！）
二、环境准备（三件套走起）
2.1 安装必备库（pip大法好）
python
pip install requests beautifulsoup4 pandas
# requests：网络请求神器
# bs4：HTML解析之王
# pandas：数据处理专家2.2 获取亮数据代理（官网注册送试用）
python
# 代理配置示例（替换成你的认证信息）
PROXY_USER = "你的用户名"
PROXY_PASSWORD = "你的密码"
PROXY_ENDPOINT = "gateway.lumiproxy.com:22225"三、编写爬虫代码（含完整异常处理）
3.1 基础爬取函数（核心代码）
python
import requests
from bs4 import BeautifulSoup
def get_jobs(keyword, page):
# 设置代理（重点！！！）
proxies = {
"http": f"http://{PROXY_USER}:{PROXY_PASSWORD}@{PROXY_ENDPOINT}",
"https": f"http://{PROXY_USER}:{PROXY_PASSWORD}@{PROXY_ENDPOINT}"
}
try:
url = f"https://www.zhipin.com/web/geek/job?query={keyword}&page={page}"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36..."
}
# 发起带代理的请求
response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
response.raise_for_status() # 自动检测HTTP错误
# 解析HTML
soup = BeautifulSoup(response.text, 'lxml')
jobs = []
for item in soup.select('.job-list li'):
title = item.select_one('.job-name').text.strip()
salary = item.select_one('.salary').text.strip()
company = item.select_one('.company-name').text.strip()
jobs.append({
"title": title,
"salary": salary,
"company": company
})
return jobs
except Exception as e:
print(f"第{page}页爬取出错：{str(e)}")
return []3.2 多页爬取封装（自动翻页）
python
def batch_crawl(keyword, max_page=10):
all_jobs = []
for page in range(1, max_page+1):
print(f"正在爬取第{page}页...")
jobs = get_jobs(keyword, page)
if not jobs: # 遇到封禁立即停止
print("触发反爬机制！建议：")
print("1. 更换代理IP\n2. 增加请求间隔\n3. 检查User-Agent")
break
all_jobs.extend(jobs)
time.sleep(random.uniform(1, 3)) # 随机等待防封
return all_jobs四、数据清洗与存储（Pandas骚操作）
4.1 数据去重处理
python
import pandas as pd
df = pd.DataFrame(all_jobs)
print("原始数据量：", len(df))
# 高级去重（综合三个字段）
df_clean = df.drop_duplicates(
subset=['title', 'salary', 'company'],
keep='first'
)
print("去重后数据量：", len(df_clean))4.2 存储到CSV（后续AI训练用）
python
df_clean.to_csv('job_data.csv', index=False,
encoding='utf-8-sig') # 解决中文乱码五、训练面试AI智能体（黑科技揭秘）
5.1 数据预处理流程
python
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
# 将岗位描述转换为AI可理解的格式
def preprocess(text):
inputs = tokenizer(
text,
max_length=512,
truncation=True,
padding='max_length'
)
return inputs5.2 简易AI训练代码（PyTorch版）
python
import torch
from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained(
"bert-base-chinese",
num_labels=2 # 示例：岗位分类
)
# 模拟训练循环（实际需加载清洗后的数据）
for epoch in range(3):
optimizer.zero_grad()
outputs = model(**batch)
loss = outputs.loss
loss.backward()
optimizer.step()六、注意事项（血泪经验总结）
-
法律红线（必看）：
- 遵守《网络安全法》第27条
- 绝不爬取个人隐私数据
- 遵循robots.txt协议
-
道德准则：
- 控制请求频率（别把人家网站搞崩了）
- 只用于学习研究
- 数据使用前脱敏处理
-
技术技巧：
- 使用随机User-Agent（fake_useragent库）
- 设置超时重试机制（建议最多3次）
- 定期更换代理IP池
七、常见问题解答（Q&A）
Q：亮数据代理和其他代理有什么区别？
A：实测对比（数据说话）：
| 功能 | 亮数据代理 | 普通代理 |
|---|---|---|
| IP存活率 | 98% | 60% |
| 响应速度 | <1s | 2-5s |
| 地域选择 | 支持定制 | 固定区域 |
Q：为什么我的爬虫突然不工作了？
A：检查清单（照着做）：
- 代理IP是否过期
- 网站改版导致选择器失效
- 请求头是否完整
- 是否触发人机验证
最后说句掏心窝的：爬虫虽好，可不要贪杯哦~（你懂的）合理合法使用技术才是正道！下期教大家如何用这些数据做薪资预测模型，记得三连关注！