Python爬虫实战：利用代理IP获取招聘网站信息（手把手保姆级教程）

最新推荐文章于 2026-06-26 10:44:40 发布

原创最新推荐文章于 2026-06-26 10:44:40 发布 · 800 阅读

13 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #爬虫 #tcp/ip #其他

Python3.8

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

文章目录

一、为什么我们需要代理IP？（血的教训！）

去年我用爬虫抓某招聘网站数据时（你懂的），连续被封了3个IP地址（哭唧唧）。后来发现：不使用代理IP的爬虫就像裸奔的勇士！！！ 现在所有主流招聘平台都有这些防御机制：

同一IP高频访问 → 直接封禁（别问我怎么知道的）
请求头不规范 → 返回假数据（见过返回葫芦娃的神操作吗？）
JavaScript渲染 → 传统爬虫直接懵逼（现在连招聘网站都上Vue了！）

（重点来了！）使用代理IP能让我们：

突破访问频率限制 ✅
隐藏真实IP地址 ✅
获取地域性招聘数据 ✅

二、快速搭建代理IP池（白嫖/付费方案都有！）

2.1 免费代理哪里找？（适合新手试水）

推荐这几个免费代理网站（但不保证稳定性）：

免费代理源 = [
    "www.zdaye.com",
    "www.kuaidaili.com/free/",
    "ip.jiangxianli.com/"
]

2.2 付费代理推荐（企业级项目必备）

我用过的靠谱服务商（自用非广告）：

青果代理 - 按量付费模式（0.5元/GB起）
亮数据 - 全球住宅代理（适合跨境招聘数据）
站大爷 - 长效稳定套餐（适合7×24小时监控）

2.3 代理IP验证脚本（自检神器！）

import requests

def 验证代理(proxy):
    try:
        response = requests.get('http://httpbin.org/ip', 
                             proxies={'http': proxy, 'https': proxy},
                             timeout=5)
        print(f"有效代理 → {proxy} 真实IP → {response.json()['origin']}")
        return True
    except:
        print(f"无效代理 × {proxy}")
        return False

# 使用示例
验证代理("123.123.123.123:8888")  # 替换成你的代理

三、实战代码详解（以某联招聘为例）

3.1 环境准备（别在这一步翻车！）

安装必备库（记得用清华镜像源）：

pip install requests beautifulsoup4 fake-useragent -i https://pypi.tuna.tsinghua.edu.cn/simple

3.2 爬虫核心代码（含详细注释）

import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
import random
import csv

# 加载代理池（这里用列表演示，真实项目建议存数据库）
代理池 = [
    "http://123.123.123.1:8888",
    "http://123.123.123.2:8888",
    # ...添加更多代理
]

def 获取招聘数据(关键词, 城市, 页码):
    ua = UserAgent()
    headers = {
        'User-Agent': ua.random,
        'Referer': 'https://www.zhaopin.com/'
    }
    
    # 随机选择代理（重要！）
    当前代理 = random.choice(代理池)
    proxies = {
        'http': 当前代理,
        'https': 当前代理
    }
    
    # 拼接请求URL（注意编码）
    url = f"https://sou.zhaopin.com/?jl={城市}&kw={关键词}&p={页码}"
    
    try:
        response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
        response.encoding = 'utf-8'
        
        # 解析数据（XPath更高效，但BS4更易读）
        soup = BeautifulSoup(response.text, 'lxml')
        职位列表 = soup.find_all('div', class_='joblist-box')
        
        结果 = []
        for 职位 in 职位列表:
            公司 = 职位.find('a', class_='company-title').text.strip()
            薪资 = 职位.find('span', class_='salary').text
            经验 = 职位.find('li', class_='experience').text
            结果.append([公司, 薪资, 经验])
            
        return 结果
        
    except Exception as e:
        print(f"请求失败！代理可能失效 → {当前代理}")
        return None

# 保存数据到CSV（注意中文编码）
with open('招聘数据.csv', 'w', newline='', encoding='utf-8-sig') as f:
    writer = csv.writer(f)
    writer.writerow(["公司名称", "薪资范围", "经验要求"])
    
    for 页 in range(1, 6):  # 爬取前5页
        数据 = 获取招聘数据("Python开发", "北京", 页)
        if 数据:
            writer.writerows(数据)
            print(f"第{页}页数据抓取成功！")

四、高级反反爬策略（突破平台限制）

4.1 请求头随机生成（重要！）

from fake_useragent import UserAgent
import random

def 生成随机头():
    ua = UserAgent()
    return {
        'User-Agent': ua.random,
        'Accept-Language': f'zh-CN,zh;q=0.{random.randint(5,9)}',
        'Referer': random.choice([
            'https://www.baidu.com/',
            'https://www.google.com/',
            'https://www.sogou.com/'
        ])
    }

4.2 IP轮换策略（防止被封的核心）

推荐两种轮换模式：

按请求次数轮换：每3次请求换一个IP
按失败次数轮换：连续2次失败自动切换

class 智能代理池:
    def __init__(self):
        self.当前索引 = 0
        self.最大重试 = 2
        
    def 获取代理(self):
        if self.当前索引 >= len(代理池)-1:
            self.当前索引 = 0
        else:
            self.当前索引 +=1
        return 代理池[self.当前索引]