我爬取了爬蟲崗位薪資,分析後發現爬蟲真香
阿新 • • 發佈:2020-12-12
本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯絡我們以作處理
首先,確定目標網站:
https://jobs.51job.com/pachongkaifa
1.開始
開啟pycharm,新建檔案->匯入必備的庫->加入常用的請求頭header
- # 匯入requests包
- import requests
- from lxml import etree
- # 網頁連結
- url = "https://jobs.51job.com/pachongkaifa/p1/"
- # 請求頭
- headers = {
-
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
- "Accept-Encoding": "gzip, deflate, br",
- "Accept-Language": "zh-CN,zh;q=0.9",
- "Connection": "keep-alive",
- "Cookie": "guid=7e8a970a750a4e74ce237e74ba72856b; partner=blog_csdn_net",
- "Host": "jobs.51job.com",
- "Sec-Fetch-Dest": "document",
- "Sec-Fetch-Mode": "navigate",
-
"Sec-Fetch-Site": "none",
- "Sec-Fetch-User": "?1",
- "Upgrade-Insecure-Requests": "1",
- "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"
- }
2.分析目標網站的標籤,發現想要的欄位(崗位、公司名稱、城市、薪資)都在p標籤裡面,如下圖
<p class="info">
3.開始編寫程式碼
先通過request請求網頁,防止中文亂碼,進行gbk的編碼(如果不設定則會出現亂碼)
- res = requests.get(url=url, headers=headers)
- res.encoding='gbk'
- s = res.text
,接著進行解析網頁,獲取想要的內容
- selector = etree.HTML(s)
- for item in selector.xpath('/html/body/div[4]/div[2]/div[1]/div/div'):
- title = item.xpath('.//p/span[@class="title"]/a/text()')
- name = item.xpath('.//p/a/@title')
- location_name = item.xpath('.//p/span[@class="location name"]/text()')
- sary = item.xpath('.//p/span[@class="location"]/text()')
- time = item.xpath('.//p/span[@class="time"]/text()')
- if len(title)>0:
- print(title)
- print(name)
- print(location_name)
- print(sary)
- print(time)
- print("-----------")
最後出現執行後,結果如下:
4.儲存到csv檔案
為了方便下一步我們對資料進行分析,我將爬取下來的資料儲存到csv檔案
匯入需要的庫包
- import csv
- import codecs
建立csv檔案,並設定為追加寫模式
- f = codecs.open('爬蟲工程師崗位薪資.csv','a','gbk')
- writer = csv.writer(f)
- writer.writerow(["崗位","公司","城市","薪資"])
在爬取檔案的時候將爬取的內容迴圈寫入csv
writer.writerow([title[0]+"",name[0]+"",location_name[0]+"",sary[0]+""])
儲存好的csv資料如下:
5.分析資料並進行視覺化
從csv中讀取爬取好的資料
- with open('爬蟲工程師崗位薪資.csv','r',encoding = 'gbk') as fp:
- reader = csv.reader(fp)
- for row in reader:
- #崗位
- title_list.append(row[0])
- #城市
- city_list.append(row[2][0:2])
- #薪資分佈
- sary = row[3].split("-")
- if(len(sary)==2):
- try:
- sary = sary[1].replace("/月","")
- if "萬" in sary:
- sary = sary.replace("萬","")
- sary = int(sary)
- sary = sary*10000
- sary_list.append(sary)
- if "千" in sary:
- sary = sary.replace("千","")
- sary = int(sary)
- sary = sary * 1000
- sary_list.append(sary)
- except:
- pass
這裡用了三個集合來儲存系統分析的內容(崗位、城市、薪資分佈)
- #崗位
- title_list=[]
- #城市
- city_list=[]
- #薪資分佈
- sary_list=[]
由於薪資是1萬/月、2萬/月,為了轉為10000、20000,則需要進行相應的處理。
開始分析了
5.1.視覺化1:爬蟲崗位常用名稱
- dict_x = {}
- for item in title_list:
- dict_x[item] = title_list.count(item)
- sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
- k_list = []
- v_list = []
- for k, v in sorted_x[0:11]:
- k_list.append(k)
- v_list.append(v)
- plt.axes(aspect=1)
- plt.pie(x=v_list,labels= k_list,autopct='%0f%%')
- plt.savefig("爬蟲崗位常用名稱.png", dpi=600)
- plt.show()
從圖中可以看出,大多數公司都需要用"爬蟲開發工程師"這個詞
5.2.視覺化2:爬蟲崗位最多的城市
- dict_x = {}
- for item in city_list:
- dict_x[item] = city_list.count(item)
- sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
- k_list = []
- v_list = []
- for k, v in sorted_x[0:11]:
- print(k, v)
- k_list.append(k)
- v_list.append(v)
- plt.bar(k_list,v_list, label='爬蟲崗位最多的城市')
- plt.legend()
- plt.xlabel('城市')
- plt.ylabel('數量')
- plt.title(u'爬蟲崗位最多的城市(李運辰)')
- plt.savefig("爬蟲崗位最多的城市.png", dpi=600)
- plt.show()
從圖中來看,大城市(北上廣深)的爬蟲工程師崗位居多
5.3.視覺化3:薪資分佈情況
- dict_x = {}
- for item in sary_list:
- dict_x[item] = sary_list.count(item)
- sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
- k_list = []
- v_list = []
- for k, v in sorted_x[0:15]:
- print(k, v)
- k_list.append(k)
- v_list.append(v)
- plt.axes(aspect=1)
- plt.title(u'薪資分佈情況(李運辰)')
- plt.pie(x=v_list, labels=k_list, autopct='%0f%%')
- plt.savefig("薪資分佈情況.png", dpi=600)
- plt.show()
我們可以發現,爬蟲工程師的薪資在20000+以上的佔大半數,尤其是20000左右的居多,看來爬蟲崗位真是太香,你酸了嗎,哈哈哈哈
- data = pd.DataFrame({"value":sary_list})
- cats1 = pd.cut(data['value'].values, bins=[8000, 10000, 20000, 30000, 50000,data['value'].max()+1])
- pinshu = cats1.value_counts()
- pinshu_df = pd.DataFrame(pinshu, columns=['頻數'])
- pinshu_df['頻率f'] = pinshu_df / pinshu_df['頻數'].sum()
- pinshu_df['頻率%'] = pinshu_df['頻率f'].map(lambda x: '%.2f%%' % (x * 100))
- pinshu_df['累計頻率f'] = pinshu_df['頻率f'].cumsum()
- pinshu_df['累計頻率%'] = pinshu_df['累計頻率f'].map(lambda x: '%.4f%%' % (x * 100))
- print(pinshu_df)
- print()
- print("李運辰")
從薪資範圍來看,在10000-20000之間站大多數,基本很不錯的薪資,大於20000+的很有一些,真是誘惑太大了
想要獲取更多Python學習資料可以加QQ:2955637827私聊或加Q群630390733大家一起來學習討論吧!