lofyerandfactory-droid[bot] <138933559+factory-droid[bot]@users.noreply.github.com>
8dff9847e3
- add authorized nine-source crawler connectors with security controls and packaged schemas - add the school internship contract to the vendor data standard center - add bidirectional campus data-to-report lineage with gap ownership and remediation Co-authored-by: factory-droid[bot] <138933559+factory-droid[bot]@users.noreply.github.com>
167 lines
9.1 KiB
Markdown
167 lines
9.1 KiB
Markdown
# 招聘数据源采集实现方案
|
||
|
||
> 调研基线：2026-08-24。站点条款、robots.txt、页面结构和合作接口可能随时变化，上线前必须重新复核并留存审批证据。
|
||
|
||
## 1. 实现目标
|
||
|
||
`admin-tools/crawler/` 负责把来源数据接入 Raw 与 Source 层，再映射到统一契约：
|
||
|
||
- 外部岗位来源输出 `JOB-SIGNAL V3.0`；
|
||
- 校内就业来源输出 `SCHOOL-EMPLOYMENT V2.2`；
|
||
- 校内实习来源输出 `SCHOOL-INTERNSHIP V2.1`；
|
||
- 原始响应只追加保存，标准记录、隔离记录和运行摘要分别输出；
|
||
- 每次运行携带任务编号、连接器版本、采集时间、来源 URL 和 SHA-256。
|
||
- 薪资上下限统一折算为税前月薪，同时保留源端 `salary_period` 作为折算证据。
|
||
|
||
它不是用于绕过站点控制的通用抓取工具。代码不包含验证码处理、登录模拟、浏览器指纹伪装、私有接口逆向、代理池轮换或访问限制规避。
|
||
|
||
## 2. 强制接入边界
|
||
|
||
每个外部来源必须同时满足：
|
||
|
||
1. 已取得适用于目标用途、字段范围和保存期限的书面授权，或确认存在允许该用途的开放许可；
|
||
2. 使用官方 API、授权数据包或明确允许自动访问的公开页面；
|
||
3. 运行时 robots.txt 允许当前 User-Agent 和 URL；
|
||
4. 来源域名在连接器 allowlist 中，禁止任意 URL 和内网地址；
|
||
5. 使用可识别的 User-Agent 和真实技术联系邮箱；
|
||
6. 遵守来源级请求速率、并发、时间窗、停止条件和数据保留策略；
|
||
7. 页面出现登录、验证码、访问验证、封禁提示或条款变化时立即停止，不尝试绕过。
|
||
|
||
校内来源必须基于学校授权的数据处理协议，使用只读账号、租户隔离和最小字段集。平台禁止接收姓名、身份证号、手机号和明文学号。
|
||
|
||
## 3. 九个来源的实现方式
|
||
|
||
| 来源代码 | 数据源 | 实现类 | 接入方式 | 默认网络状态 | 上线前置 |
|
||
|---|---|---|---|---|---|
|
||
| `BOSS` | BOSS直聘 | `BossConnector` | 官方合作 API 或授权 JSON/NDJSON 数据包 | 禁用 | 合作协议、接口文档、字段与留存授权 |
|
||
| `ZHAOPIN` | 智联招聘 | `ZhaopinConnector` | 官方合作 API 或授权 JSON/NDJSON 数据包 | 禁用 | 书面许可；不得使用匿名网页爬虫 |
|
||
| `BRZP` | 全国中小企业招聘平台 | `BrzpConnector` | 官方数据接口优先；经许可后可读取公开 JobPosting/列表页 | 禁用 | 来源审批、robots 通过、入口 URL 白名单 |
|
||
| `NCSS` | 国家大学生就业服务平台 | `NcssConnector` | 官方合作接口优先；经许可后可读取公开职位/专场页 | 禁用 | 来源审批、robots 通过、入口 URL 白名单 |
|
||
| `MOHRSS` | 中国公共招聘网 | `MohrssConnector` | 官方数据交换或提供单位授权数据；公开页面仅用于获准范围 | 禁用 | 对应提供单位或招聘单位授权 |
|
||
| `IGUOPIN` | 国聘 | `IguopinConnector` | 官方合作 API 或授权数据包 | 禁用 | 合作协议；不得逆向动态页面私有接口 |
|
||
| `HZRC` | 杭州人才网 | `HzrcConnector` | 官方合作接口或书面许可的数据包/公开页面 | 禁用 | 书面许可、低速策略、robots 通过 |
|
||
| `SCHOOL_EMPLOYMENT` | 校内就业管理系统 | `SchoolEmploymentConnector` | 只读数据库视图导出、API 或 NDJSON 文件 | 无公网访问 | 租户授权、字段映射、学生令牌化 |
|
||
| `SCHOOL_INTERNSHIP` | 校内实习管理系统 | `SchoolInternshipConnector` | 租户 API 或 NDJSON 文件 | 无公网访问 | 租户授权、字段映射、学生令牌化 |
|
||
|
||
“默认网络状态为禁用”表示仓库代码不会因为安装或定时任务误配置而直接访问来源。操作者必须显式传入来源授权确认、入口 URL 和联系邮箱；商业来源还必须提供授权 feed URL。
|
||
|
||
### 3.1 BOSS直聘
|
||
|
||
- 不实现账号登录、扫码、Cookie 复用、验证码识别或页面安全验证绕过；
|
||
- 不固化网页私有接口、签名算法或浏览器指纹；
|
||
- 连接器只读取合同约定的 API/feed，或离线处理授权交付的 JSON/NDJSON；
|
||
- 字段重点为岗位、企业、地区、薪资、职责、技能和源端状态。
|
||
|
||
### 3.2 智联招聘
|
||
|
||
- [智联平台用户服务协议](https://rd6.zhaopin.com/aboutus/legal/service) 对未经书面许可的爬虫、自动化脚本和数据抓取有限制；
|
||
- 因此 `ZhaopinConnector` 只允许授权 feed/API 和离线数据包，不提供匿名页面采集模式；
|
||
- 授权材料编号应写入部署配置和审计系统，不写入代码仓库。
|
||
|
||
### 3.3 全国中小企业招聘平台
|
||
|
||
- 官方入口为 [全国中小企业网上百日招聘服务平台](https://brzp.chinasme.cn/)；
|
||
- 优先申请结构化数据交换；公开页面模式只解析标准 `JobPosting` JSON-LD 或经版本化配置确认的页面；
|
||
- 活动页和岗位页分开建立水位，避免每日重复抓取全部历史活动。
|
||
|
||
### 3.4 国家大学生就业服务平台
|
||
|
||
- 官方入口为 [国家大学生就业服务平台](https://www.ncss.cn/)；
|
||
- 职位、实习、专场和联合招聘应分别分片；
|
||
- 只处理无需登录且获准自动访问的页面或官方合作接口，不采集求职者、简历和账号数据。
|
||
|
||
### 3.5 中国公共招聘网
|
||
|
||
- 官方入口为 [中国公共招聘网](http://job.mohrss.gov.cn/)；
|
||
- 其[网站声明](http://www.job.mohrss.gov.cn/cjobs/jobfairinfo/wzsyzn)提示招聘信息转载需联系相应提供单位或招聘单位取得合法授权；
|
||
- 生产接入优先使用官方数据交换。页面连接器必须绑定具体授权范围，不得因站点可公开浏览就默认允许批量复制。
|
||
|
||
### 3.6 国聘
|
||
|
||
- 官方入口为 [国聘](https://www.iguopin.com/)；
|
||
- 页面高度动态化时不逆向私有 JSON 接口，也不使用浏览器登录会话；
|
||
- 只接入官方合作 API、企业授权导出或离线数据包。
|
||
|
||
### 3.7 杭州人才网
|
||
|
||
- 官方入口为 [杭州人才网](https://www.hzrc.com/)；
|
||
- 站内招聘活动页面存在“未经书面许可严禁转载和复制”提示，因此必须先取得许可；
|
||
- 即使获准，默认仍采用低并发、长间隔、延迟熔断和单分片重试，响应异常时停止而不是提升并发。
|
||
|
||
### 3.8 校内就业管理系统
|
||
|
||
- 不是网页爬虫，使用学校提供的只读视图、API 或标准文件；
|
||
- 来源记录在学校侧先生成不可逆 `student_token`；
|
||
- 连接器拒绝包含姓名、身份证、手机号、邮箱或明文学号的输入；
|
||
- 以 `tenant_id + source_record_id + source_updated_at` 形成增量和幂等边界。
|
||
|
||
### 3.9 校内实习管理系统
|
||
|
||
- 不是网页爬虫，使用租户 API 或标准文件；
|
||
- 只接收学生令牌、专业、企业、岗位、起止日期、状态、工资和业务评价；
|
||
- 单租户认证、任务、水位、Raw、隔离区和输出目录均独立；
|
||
- 不接收敏感附件，证据只保存学校系统内的引用编号。
|
||
|
||
## 4. 运行路径
|
||
|
||
```text
|
||
来源审批
|
||
→ probe（robots / allowlist / 内容类型 / 小样本结构）
|
||
→ collect（严格记录数、页面数、速率和时间上限）
|
||
→ raw snapshot（原始载荷 + 元数据 + SHA-256）
|
||
→ parse（来源字段）
|
||
→ normalize（JOB-SIGNAL / SCHOOL-*）
|
||
→ schema validate
|
||
→ standard.ndjson / quarantine.ndjson / summary.json
|
||
→ 质量门禁与候选版本
|
||
```
|
||
|
||
失败分类至少包括：
|
||
|
||
- `AUTHORIZATION_REQUIRED`：没有显式授权确认；
|
||
- `ROBOTS_DENIED`：robots.txt 不允许；
|
||
- `HOST_NOT_ALLOWED`：入口或重定向不在来源 allowlist；
|
||
- `PRIVATE_ADDRESS_BLOCKED`：域名解析到内网、回环或保留地址；
|
||
- `AUTH_OR_CHALLENGE`：登录、验证码或访问验证；
|
||
- `SOURCE_STRUCTURE_CHANGED`：页面或数据字段不满足版本化解析规则；
|
||
- `SCHEMA_VALIDATION_FAILED`：标准记录不满足目标契约；
|
||
- `PII_REJECTED`：校内输入包含禁止字段。
|
||
|
||
## 5. 输出和证据
|
||
|
||
每个任务目录：
|
||
|
||
```text
|
||
外部来源：output/<source>/<task-id>/
|
||
校内来源：output/<source>/<tenant-id>/<task-id>/
|
||
├── raw/
|
||
│ ├── <sha256>.<json|html|bin>
|
||
│ └── <sha256>.metadata.json
|
||
├── standard.ndjson
|
||
├── quarantine.ndjson
|
||
└── summary.json
|
||
```
|
||
|
||
安全要求：
|
||
|
||
- URL 中的 token、key、signature 等敏感查询参数在日志和元数据中脱敏；
|
||
- Authorization、Cookie 和代理凭据仅从环境变量读取，不写入 Raw、日志或异常文本；
|
||
- 原始页面不得包含简历、求职者联系方式或校内明文身份信息；
|
||
- 任务重试使用相同幂等键，不重复生成业务记录；
|
||
- Raw 文件只追加，水位仅在任务完整成功后提交。
|
||
|
||
## 6. 上线验收
|
||
|
||
每个来源必须提供：
|
||
|
||
1. 授权编号、授权范围、有效期、允许字段、允许用途和删除要求；
|
||
2. robots.txt 与站点条款快照；
|
||
3. 100 条脱敏样本和目标字段映射；
|
||
4. 正常、空结果、失效岗位、限流、超时、结构变化和重复数据测试；
|
||
5. 请求速率与业务方确认记录；
|
||
6. 解析器历史快照回放；
|
||
7. Schema、完整性、唯一性、时效和敏感字段检查；
|
||
8. 连接器版本、镜像摘要、责任人、告警和回滚版本。
|
||
|
||
只有以上证据齐全，来源注册中心才能把连接器从 `disabled` 提升到 `approved`，调度器才允许创建公网任务。
|