讲道理,pyspider确实是一款优秀的爬虫框架,我们可以利用它快速方便地实现一个页面的抓取。
不过带来便捷性的同时,也有它的局限性,复杂页面不好爬取。
在本次的数据爬取中,BOSS直聘是成功使用pyspider。但拉勾网却不行,因为拉勾网的数据是Ajax加载的。
拉勾网岗位数据请求的网址是不变的,改变的是表单数据,表单数据随着页数改变,请求方式为POST。这里没办法在pyspider里用循环遍历来获取每一页的数据。
也许是我对pyspider框架了解的不够,还达不到得心应手。所以最后拉勾网的爬取,采用平常的办法,在PyCharm中自行编写程序。
本次通过对BOSS直聘,拉勾网数据分析岗数据分析,了解数据分析岗的行业情况,也以此来了解从事数据分析所需要的技能。
/ 01 / 网页分析
获取BOSS直聘索引页信息,主要是岗位名称、薪资、地点、工作年限、学历要求,公司名称、类型、状态、规模。
本来一开始是想对详情页分析的,还可以获取详情页里的工作内容和工作技能需求。
然后由于请求太多,就放弃了。索引页有10页,1页有30个岗位,一个详情页就需要一个请求,算起来一共有300个请求。
我是到了第2页(60个请求),就出现了访问过于频繁的警告。
而只获取索引页信息的话,只有10个请求,基本上没什么问题,外加也不想去鼓捣代理IP,所以来点简单的。
到时候做数据挖掘岗位的数据时,看看放慢时间能否获取成功。
获取拉勾网索引页信息,主要是岗位名称、地点、薪资、工作年限、学历要求,公司名称、类型、状态、规模,工作技能,工作福利。
网页为Ajax请求,采用PyCharm编写代码,轻车熟路。
/ 02 / 数据获取
01 pyspider获取BOSS直聘数据
pyspider的安装很简单,直接在命令行pip3 install pyspider即可。
这里因为之前没有安装pyspider对接的PhantomJS(处理JavaScript渲染的页面)。
所以需要从网站下载下来它的exe文件,将其放入Python的exe文件所在的文件夹下。
最后在命令行输入pyspider all,即可运行pyspider。
在浏览器打开网址http://localhost:5000/,创建项目,添加项目名称,输入请求网址,得到如下图。
最后在pyspider的脚本编辑器里编写代码,结合左边的反馈情况,对代码加以改正。
脚本编辑器具体代码如下。
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Project: BOSS
from pyspider.libs.base_handler import *
import pymysql
import random
import time
import re
count = 0
class Handler(BaseHandler):
# 添加请求头,否则出现403报错
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):
# 连接数据库
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):
# 将数据写入数据库中
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):
# 因为pyspider默认是HTTP请求,对于HTTPS(加密)请求,需要添加validate_cert=False,否则599/SSL报错
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():
# 设置全局变量
global count
count += 1
# 岗位名称
job_title = i('.job-title').text()
print(job_title)
# 岗位薪水
job_salary = i('.red').text()
print(job_salary)
# 岗位地点
city_result = re.search('(.*?)<em class=', i('.info-primary > p').html())
job_city = city_result.group(1).split(' ')[0]
print(job_city)
# 岗位经验
experience_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-primary > p').html())
job_experience = experience_result.group(1)
print(job_experience)
# 岗位学历
job_education = i('.info-primary > p').text().replace(' ', '').replace(city_result.group(1).replace(' ', ''), '').replace(experience_result.group(1).replace(' ', ''),'')
print(job_education)
# 公司名称
company_name = i('.info-company a').text()
print(company_name)
# 公司类型
company_type_result = re.search('(.*?)<em class=', i('.info-company p').html())
company_type = company_type_result.group(1)
print(company_type)
# 公司状态
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 = '无信息'
print(company_status)
# 公司规模
company_people = i('.info-company p').text().replace(company_type, '').replace(company_status,'')
print(company_people + 'n')
# 写入数据库中
self.add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people)
# 获取下一页信息
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")
# 详情页信息获取,由于访问次数有限制,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):
# 详情页信息获取,由于访问次数有限制,不使用
message_job = response.doc('div > .info-primary > p').text()
city_result = re.findall('城市:(.*?)经验', message_job)
experience_result = re.findall('经验:(.*?)学历', message_job)
education_result = re.findall('学历:(.*)', 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(),
}
获取BOSS直聘数据分析岗数据如下。
02 PyCharm获取拉勾网数据
import requests
import pymysql
import random
import time
import json
count = 0
# 设置请求网址及请求头参数
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'
}
# 连接数据库
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):
# 将数据写入数据库中
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) + '页')
time.sleep(random.randint(10, 20))
data = {
'first': 'false',
'pn': i,
'kd': '数据分析'
}
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
# 岗位名称
job_title = job['positionName']
print(job_title)
# 岗位薪水
job_salary = job['salary']
print(job_salary)
# 岗位地点
job_city = job['city']
print(job_city)
# 岗位经验
job_experience = job['workYear']
print(job_experience)
# 岗位学历
job_education = job['education']
print(job_education)
# 公司名称
company_name = job['companyShortName']
print(company_name)
# 公司类型
company_type = job['industryField']
print(company_type)
# 公司状态
company_status = job['financeStage']
print(company_status)
# 公司规模
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 + 'nn')
# 写入数据库
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()
获取拉勾网数据分析岗数据如下。
这里的数据库都是自己在外面创建的,之前也用了好多回,就不贴代码细说了。
/ 03 / 数据可视化
01 城市分布图
岗位的分布情况,这里可以看出岗位大多都分布在东部地区,中部也有一些。
02 城市分布热力图
京津冀、长三角、珠三角密集度不相上下,成都重庆地区也有一小些需求。
可以说北上广深,这四个一线城市包揽了大部分的岗位需求。
03 工作经验薪水图
这里通过看箱形图的四分位及中间值,大致能看出随着工作年限的增长,薪资也是一路上升。
BOSS直聘里,1年以内工作经验的薪资,有个最高4万多的,这肯定是不合理的。
于是就去数据库看了下,其实那个岗位要求是3年以上,但实际给的标签却是1年以内。
所以说数据来源提供的数据的准确性很重要。
04 学历薪水图
总的来说「硕士」>「本科」>「大专」,当然大专、本科中也有高薪水的。
毕竟越往后能力就越重要,学历算是一个重要的加分项。
05 公司状态薪水图
这里的数据没什么特点,就当了解下这些概念。
一个公司的发展,可以是从「天使轮」一直到「上市公司」,路途坎坷。
06 公司规模薪水图
正常来说,公司规模越大,薪水应该会越高。
毕竟大厂的工资摆在那里,想不知道都难。
不过这里没能体现出来差距,倒是发现人数最少的公司,最高工资给的不高,难不成是初期缺钱?
07 公司类型TOP10
数据分析岗主要集中在互联网行业,「金融」「地产」「教育」「医疗」「游戏」也有所涉及。
大部分岗位需求都集中第三产业上。
08 工作技能图
这个算是本次的重点,这些技能将会是日后学习的重点。
「数据挖掘」「SQL」「BI」「数据运营」「SPSS」「数据库」「MySQL」等等。
09 工作福利图
这里可以看出大部分重点都围绕着「五险一金」「福利多」「团队氛围好」「晋升空间大」「行业大牛领头」上。
要是哪家公司都具备了,那简直就是要上天。
不过你我都清楚,这是不存在的,就算可能存在,也只是别人家的公司而已~
/ 04 / 总结
最后贴两张BOSS直聘以及拉勾网薪水TOP20,以此来作为勉励。
01 BOSS直聘薪水TOP20
02 拉勾网薪水TOP20
毕竟我们不能仅仅当条咸鱼,我们要当就当一只有梦想的咸鱼!!!
公众号回复数据分析,即可获取源码。
文末点个赞,比心!!!
推荐阅读
··· END ···