爬蟲
爬蟲的第一步自然是從分析請求和網頁源代碼開始。從網頁源代碼中我們並不能找到發佈的招聘信息。但是在請求中我們看到這樣一條POST請求
如下圖我們可以得知
- url：https://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false
- 請求方式：post
- result：為發佈的招聘信息
- totalCount：為招聘信息的條數
思路
通過分析請求我們發現每頁返回15條數據，totalCount又告訴了我們該職位信息的總條數。
向上取整就可以獲取到總頁數。然後將所得數據保存到csv文件中。這樣我們就獲得了數據分析的數據源！
- post請求的Form Data傳了三個參數
- first ： 是否首頁(並沒有什麼用)
- pn：頁碼
- kd：搜索關鍵字
no bb， show code
# 獲取請求結果
# kind 搜索關鍵字
# page 頁碼 默認是1
def get_json(kind, page=1,):
# post請求參數
param = {
'first': 'true',
'pn': page,
'kd': kind
}
header = {
'Host': 'www.lagou.com',
'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
# 設置代理
proxies = [
{'http': '140.143.96.216:80', 'https': '140.143.96.216:80'},
{'http': '119.27.177.169:80', 'https': '119.27.177.169:80'},
{'http': '221.7.255.168:8080', 'https': '221.7.255.168:8080'}
]
# 請求的url
url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false'
# 使用代理訪問
# response = requests.post(url, headers=header, data=param, proxies=random.choices(proxies))
response = requests.post(url, headers=header, data=param, proxies=proxies)
response.encoding = 'utf-8'
if response.status_code == 200:
response = response.json()
# 請求響應中的positionResult 包括查詢總數 以及該頁的招聘信息(公司名、地址、薪資、福利待遇等...)
return response['content']['positionResult']
return None
接下來我們只需要每次翻頁之後調用 get_json 獲得請求的結果 再遍歷取出需要的招聘信息即可
if __name__ == '__main__':
# 默認先查詢第一頁的數據
kind = 'python'
# 請求一次 獲取總條數
position_result = get_json(kind=kind)
# 總條數
total = position_result['totalCount']
print('{}開發職位，招聘信息總共{}條.....'.format(kind, total))
# 每頁15條 向上取整 算出總頁數
page_total = math.ceil(total/15)
# 所有查詢結果
search_job_result = []
#for i in range(1, total + 1)
# 為了節約效率 只爬去前100頁的數據
for i in range(1, 100):
position_result = get_json(kind=kind, page= i)
# 每次抓取完成後,暫停一會,防止被服務器拉黑
time.sleep(15)
# 當前頁的招聘信息
page_python_job = []
for j in position_result['result']:
python_job = []
# 公司全名
python_job.append(j['companyFullName'])
# 公司簡稱
python_job.append(j['companyShortName'])
# 公司規模
python_job.append(j['companySize'])
# 融資
python_job.append(j['financeStage'])
# 所屬區域
python_job.append(j['district'])
# 職稱
python_job.append(j['positionName'])
# 要求工作年限
python_job.append(j['workYear'])
# 招聘學歷
python_job.append(j['education'])
# 薪資範圍
python_job.append(j['salary'])
# 福利待遇
python_job.append(j['positionAdvantage'])
page_python_job.append(python_job)
# 放入所有的列表中
search_job_result += page_python_job
print('第{}頁數據爬取完畢, 目前職位總數:{}'.format(i, len(search_job_result)))
# 每次抓取完成後,暫停一會,防止被服務器拉黑
time.sleep(15)
ok！ 數據我們已經獲取到了，最後一步我們需要將數據保存下來
# 將總數據轉化為data frame再輸出
df = pd.DataFrame(data=search_job_result,
columns=['公司全名', '公司簡稱', '公司規模', '融資階段', '區域', '職位名稱', '工作經驗', '學歷要求', '工資', '職位福利'])
df.to_csv('lagou.csv', index=False, encoding='utf-8_sig')
運行main方法直接上結果：
數據分析
通過分析cvs文件，為了方便我們統計，我們需要對數據進行清洗
比如剔除實習崗位的招聘、工作年限無要求或者應屆生的當做 0年處理、薪資範圍需要計算出一個大概的值、學歷無要求的當成大專
# 讀取數據
df = pd.read_csv('lagou.csv', encoding='utf-8')
# 數據清洗,剔除實習崗位
df.drop(df[df['職位名稱'].str.contains('實習')].index, inplace=True)
# print(df.describe())
# 由於CSV文件內的數據是字符串形式,先用正則表達式將字符串轉化為列表,再取區間的均值
pattern = '\\d+'
df['work_year'] = df['工作經驗'].str.findall(pattern)
# 數據處理後的工作年限
avg_work_year = []
# 工作年限
for i in df['work_year']:
# 如果工作經驗為'不限'或'應屆畢業生',那麼匹配值為空,工作年限為0
if len(i) == 0:
avg_work_year.append(0)
# 如果匹配值為一個數值,那麼返回該數值
elif len(i) == 1:
avg_work_year.append(int(''.join(i)))
# 如果匹配值為一個區間,那麼取平均值
else:
num_list = [int(j) for j in i]
avg_year = sum(num_list)/2
avg_work_year.append(avg_year)
df['工作經驗'] = avg_work_year
# 將字符串轉化為列表,再取區間的前25%，比較貼近現實
df['salary'] = df['工資'].str.findall(pattern)
# 月薪
avg_salary = []
for k in df['salary']:
int_list = [int(n) for n in k]
avg_wage = int_list[0]+(int_list[1]-int_list[0])/4
avg_salary.append(avg_wage)
df['月工資'] = avg_salary
# 將學歷不限的職位要求認定為最低學歷:大專\\
df['學歷要求'] = df['學歷要求'].replace('不限','大專')
數據通過簡單的清洗之後，下面開始我們的統計
繪製薪資直方圖
# 繪製頻率直方圖並保存
plt.hist(df['月工資'])
plt.xlabel('工資 (千元)')
plt.ylabel('頻數')
plt.title("工資直方圖")
plt.savefig('薪資.jpg')
plt.show()
結論：北京市Python開發的薪資大部分處於15~25k之間
公司分佈餅狀圖
# 繪製餅圖並保存
count = df['區域'].value_counts()
plt.pie(count, labels = count.keys(),labeldistance=1.4,autopct='%2.1f%%')
plt.axis('equal') # 使餅圖為正圓形
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))
plt.savefig('pie_chart.jpg')
plt.show()
結論：Python開發的公司最多的是海淀區、其次是朝陽區。準備去北京工作的小夥伴大概知道去哪租房了吧
學歷要求直方圖
# {'本科': 1304, '大專': 94, '碩士': 57, '博士': 1}
dict = {}
for i in df['學歷要求']:
if i not in dict.keys():
dict[i] = 0
else:
dict[i] += 1
index = list(dict.keys())
print(index)
num = []
for i in index:
num.append(dict[i])
print(num)
plt.bar(left=index, height=num, width=0.5)
plt.show()
結論：在Python招聘中，大部分公司要求是本科學歷以上。但是學歷只是個敲門磚，如果努力提升自己的技術，這些都不是事兒
# 繪製詞雲,將職位福利中的字符串彙總
text = ''
for line in df['職位福利']:
text += line
# 使用jieba模塊將字符串分割為單詞列表
cut_text = ' '.join(jieba.cut(text))
#color_mask = imread('cloud.jpg') #設置背景圖
cloud = WordCloud(
background_color = 'white',
# 對中文操作必須指明字體
font_path='yahei.ttf',
#mask = color_mask,
max_words = 1000,
max_font_size = 100
).generate(cut_text)
# 保存詞雲圖片
cloud.to_file('word_cloud.jpg')
plt.imshow(cloud)
plt.axis('off')
plt.show()
結論：彈性工作是大部分公司的福利，其次五險一金少數公司也會提供六險一金。團隊氛圍、扁平化管理也是很重要的一方面。
分享到:
閱讀更多 嗨學python 的文章
