私藏專案實操分享，Python爬蟲實現拉勾網崗位資料視覺化
阿新 • • 發佈：2022-05-07
尊重原創版權: https://www.gewuweb.com/hot/17163.html
私藏專案實操分享，Python爬蟲實現拉勾網崗位資料視覺化
uQDIgQcZ4qBt2GcZMS_LrCeB/?source=tuwen_detail)
前言
利用Python實現BOOS直聘&拉勾網崗位資料視覺化。廢話不多說。
讓我們愉快地開始吧~
開發工具
Python版本：3.6.4
相關模組：
requests模組
pyspider模組；
pymysql模組；
pytesseract模組；
random模組；
re模組;
以及一些Python自帶的模組。
環境搭建
安裝Python並新增到環境變數，pip安裝需要的相關模組即可。
本次通過對BOSS直聘，拉勾網資料分析崗資料分析，瞭解資料分析崗的行業情況
網頁分析
獲取BOSS直聘索引頁資訊，主要是崗位名稱、薪資、地點、工作年限、學歷要求，公司名稱、型別、狀態、規模。
一開始是想對詳情頁分析的，還可以獲取詳情頁裡的工作內容和工作技能需求。
然後由於請求太多，就放棄了。索引頁有10頁，1頁有30個崗位，一個詳情頁就需要一個請求，算起來一共有300個請求。
到了第2頁(60個請求)，就出現了訪問過於頻繁的警告。
而只獲取索引頁資訊的話，只有10個請求，基本上沒什麼問題，外加也不想去鼓搗代理IP，所以來點簡單的。
到時候做資料探勘崗位的資料時，看看放慢時間能否獲取成功。
獲取拉勾網索引頁資訊，主要是崗位名稱、地點、薪資、工作年限、學歷要求，公司名稱、型別、狀態、規模，工作技能，工作福利。
網頁為Ajax請求，採用PyCharm編寫程式碼，輕車熟路。
資料獲取
pyspider獲取BOSS直聘資料
pyspider的安裝很簡單，直接在命令列pip3 install pyspider即可。
這裡因為之前沒有安裝pyspider對接的PhantomJS(處理JavaScript渲染的頁面)。
所以需要從網站下載下來它的exe檔案，將其放入Python的exe檔案所在的資料夾下。
最後在命令列輸入pyspider all，即可執行pyspider。
在瀏覽器開啟網址
，建立專案，新增專案名稱，輸入請求網址，得到如下圖。
最後在pyspider的指令碼編輯器裡編寫程式碼，結合左邊的反饋情況，對程式碼加以改正。
指令碼編輯器具體程式碼如下
from pyspider.libs.base_handler import *
import pymysql
import random
import time
import re
count = 0
class Handler(BaseHandler):
# 新增請求頭,否則出現403報錯
crawl_config = {'headers': {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}}
def __init__(self):
# 連線資料庫
self.db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='boss_job', charset='utf8mb4')
def add_Mysql(self, id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people):
# 將資料寫入資料庫中
try:
cursor = self.db.cursor()
sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people);
print(sql)
cursor.execute(sql)
print(cursor.lastrowid)
self.db.commit()
except Exception as e:
print(e)
self.db.rollback()
@every(minutes=24 * 60)
def on_start(self):
# 因為pyspider預設是HTTP請求,對於HTTPS(加密)請求，需要新增validate_cert=False,否則599/SSL報錯
self.crawl('https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&scity=100010000&industry=&position=', callback=self.index_page, validate_cert=False)
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
time.sleep(random.randint(2, 5))
for i in response.doc('li > div').items():
# 設定全域性變數
global count
count += 1
# 崗位名稱
job_title = i('.job-title').text()
print(job_title)
# 崗位薪水
job_salary = i('.red').text()
print(job_salary)
# 崗位地點
city_result = re.search('(.*?)<em class=', i('.info-primary > p').html())
job_city = city_result.group(1).split(' ')[0]
print(job_city)
# 崗位經驗
experience_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-primary > p').html())
job_experience = experience_result.group(1)
print(job_experience)
# 崗位學歷
job_education = i('.info-primary > p').text().replace(' ', '').replace(city_result.group(1).replace(' ', ''), '').replace(experience_result.group(1).replace(' ', ''),'')
print(job_education)
# 公司名稱
company_name = i('.info-company a').text()
print(company_name)
# 公司型別
company_type_result = re.search('(.*?)<em class=', i('.info-company p').html())
company_type = company_type_result.group(1)
print(company_type)
# 公司狀態
company_status_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-company p').html())
if company_status_result:
company_status = company_status_result.group(1)
else:
company_status = '無資訊'
print(company_status)
# 公司規模
company_people = i('.info-company p').text().replace(company_type, '').replace(company_status,'')
print(company_people + '\n')
# 寫入資料庫中
self.add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people)
# 獲取下一頁資訊
next = response.doc('.next').attr.href
if next != 'javascript:;':
self.crawl(next, callback=self.index_page, validate_cert=False)
else:
print("The Work is Done")
# 詳情頁資訊獲取,由於訪問次數有限制,不使用
#for each in response.doc('.name > a').items():
#url = each.attr.href
#self.crawl(each.attr.href, callback=self.detail_page, validate_cert=False)
@config(priority=2)
def detail_page(self, response):
# 詳情頁資訊獲取,由於訪問次數有限制,不使用
message_job = response.doc('div > .info-primary > p').text()
city_result = re.findall('城市：(.*?)經驗', message_job)
experience_result = re.findall('經驗：(.*?)學歷', message_job)
education_result = re.findall('學歷：(.*)', message_job)
message_company = response.doc('.info-company > p').text().replace(response.doc('.info-company > p > a').text(),'')
status_result = re.findall('(.*?)\d', message_company.split(' ')[0])
people_result = message_company.split(' ')[0].replace(status_result[0], '')
return {
"job_title": response.doc('h1').text(),
"job_salary": response.doc('.info-primary .badge').text(),
"job_city": city_result[0],
"job_experience": experience_result[0],
"job_education": education_result[0],
"job_skills": response.doc('.info-primary > .job-tags > span').text(),
"job_detail": response.doc('div').filter('.text').eq(0).text().replace('\n', ''),
"company_name": response.doc('.info-company > .name > a').text(),
"company_status": status_result[0],
"company_people": people_result,
"company_type": response.doc('.info-company > p > a').text(),
}
獲取BOSS直聘資料分析崗資料
PyCharm獲取拉勾網資料
import requests
import pymysql
import random
import time
import json
count = 0
# 設定請求網址及請求頭引數
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
'Cookie': '你的Cookie值',
'Accept': 'application/json, text/javascript, */*; q=0.01',
'Connection': 'keep-alive',
'Host': 'www.lagou.com',
'Origin': 'https://www.lagou.com',
'Referer': 'ttps://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=sug&fromSearch=true&suginput=shuju'
}
# 連線資料庫
db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='lagou_job', charset='utf8mb4')
def add_Mysql(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare):
# 將資料寫入資料庫中
try:
cursor = db.cursor()
sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare);
print(sql)
cursor.execute(sql)
print(cursor.lastrowid)
db.commit()
except Exception as e:
print(e)
db.rollback()
def get_message():
for i in range(1, 31):
print('第' + str(i) + '頁')
time.sleep(random.randint(10, 20))
data = {
'first': 'false',
'pn': i,
'kd': '資料分析'
}
response = requests.post(url=url, data=data, headers=headers)
result = json.loads(response.text)
job_messages = result['content']['positionResult']['result']
for job in job_messages:
global count
count += 1
# 崗位名稱
job_title = job['positionName']
print(job_title)
# 崗位薪水
job_salary = job['salary']
print(job_salary)
# 崗位地點
job_city = job['city']
print(job_city)
# 崗位經驗
job_experience = job['workYear']
print(job_experience)
# 崗位學歷
job_education = job['education']
print(job_education)
# 公司名稱
company_name = job['companyShortName']
print(company_name)
# 公司型別
company_type = job['industryField']
print(company_type)
# 公司狀態
company_status = job['financeStage']
print(company_status)
# 公司規模
company_people = job['companySize']
print(company_people)
# 工作技能
if len(job['positionLables']) > 0:
job_tips = ','.join(job['positionLables'])
else:
job_tips = 'None'
print(job_tips)
# 工作福利
job_welfare = job['positionAdvantage']
print(job_welfare + '\n\n')
# 寫入資料庫
add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare)
if __name__ == '__main__':
get_message()
獲取拉勾網資料分析崗資料
資料視覺化
城市分佈圖
城市分佈熱力圖
工作經驗薪水圖
這裡通過看箱形圖的四分位及中間值，大致能看出隨著工作年限的增長，薪資也是一路上升。
BOSS直聘裡，1年以內工作經驗的薪資，有個最高4萬多的，這肯定是不合理的。
於是就去資料庫看了下，其實那個崗位要求是3年以上，但實際給的標籤卻是1年以內。
學歷薪水圖
總的來說「碩士」>「本科」>「大專」，當然大專、本科中也有高薪水的。
畢竟越往後能力就越重要，學歷算是一個 ** 重要的加分項 ** 。
公司狀態薪水圖
公司規模薪水圖
正常來說，公司規模越大，薪水應該會越高。
畢竟大廠的工資擺在那裡，想不知道都難。
公司型別TOP10
資料分析崗主要集中在網際網路行業，「金融」「地產」「教育」「醫療」「遊戲」也有所涉及。
工作技能圖
工作福利詞雲圖
這裡可以看出大部分重點都圍繞著「五險一金」「福利多」「團隊氛圍好」「晉升空間大」「行業大牛領頭」上。
間大」「行業大牛領頭」上。