我爬取了爬虫岗位薪资，分析后发现爬虫真香

Posted 2021-08-24 孤独的明月

闲着无事逛逛招聘网站，无意看到了爬虫岗位的薪资，发现真香，今天决定爬取下来并进行分析

目录

首先，确定目标网站：

https://jobs.51job.com/pachongkaifa

1.开始

打开pycharm，新建文件->导入必备的库->加入常用的请求头header

# 导入requests包
import requests
from lxml import etree
# 网页链接
url = "https://jobs.51job.com/pachongkaifa/p1/"
# 请求头
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.分析目标网站的标签，发现想要的字段（岗位、公司名称、城市、薪资）都在p标签里面,如下图

<p class="info">

3.开始编写代码

先通过request请求网页，防止中文乱码，进行gbk的编码（如果不设置则会出现乱码）

res = requests.get(url=url, headers=headers)
res.encoding=\'gbk\'
s = res.text

接着进行解析网页，获取想要的内容

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("-----------")

最后出现运行后，结果如下：

4.存储到csv文件

为了方便下一步我们对数据进行分析，我将爬取下来的数据存储到csv文件

导入需要的库包

import csv
import codecs

创建csv文件，并设置为追加写模式

f = codecs.open(\'爬虫工程师岗位薪资.csv\',\'a\',\'gbk\')
writer = csv.writer(f)
writer.writerow(["岗位","公司","城市","薪资"])

在爬取文件的时候将爬取的内容循环写入csv

writer.writerow([title[0]+"",name[0]+"",location_name[0]+"",sary[0]+""])

保存好的csv数据如下：

5.分析数据并进行可视化

从csv中读取爬取好的数据

with open(\'爬虫工程师岗位薪资.csv\',\'r\',encoding = \'gbk\') as fp:
    reader = csv.reader(fp)
    for row in reader:
        #岗位
        title_list.append(row[0])
        #城市
        city_list.append(row[2][0:2])
        #薪资分布
        sary = row[3].split("-")
        if(len(sary)==2):
            try:
                sary = sary[1].replace("/月","")
                if "万" in sary:
                    sary = sary.replace("万","")
                    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

这里用了三个集合来存储系统分析的内容（岗位、城市、薪资分布）

#岗位
title_list=[]
#城市
city_list=[]
#薪资分布
sary_list=[]

由于薪资是1万/月、2万/月，为了转为10000、20000，则需要进行相应的处理。

开始分析了

5.1.可视化1：爬虫岗位常用名称

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("爬虫岗位常用名称.png", dpi=600)
plt.show()

从图中可以看出，大多数公司都需要用"爬虫开发工程师"这个词

5.2.可视化2：爬虫岗位最多的城市

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=\'爬虫岗位最多的城市\')
plt.legend()
plt.xlabel(\'城市\')
plt.ylabel(\'数量\')
plt.title(u\'爬虫岗位最多的城市(李运辰)\')
plt.savefig("爬虫岗位最多的城市.png", dpi=600)
plt.show()

从图中来看，大城市（北上广深）的爬虫工程师岗位居多

5.3.可视化3：薪资分布情况

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\'薪资分布情况(李运辰)\')
plt.pie(x=v_list, labels=k_list, autopct=\'%0f%%\')
plt.savefig("薪资分布情况.png", dpi=600)
plt.show()

我们可以发现，爬虫工程师的薪资在20000+以上的占大半数，尤其是20000左右的居多，看来爬虫岗位真是太香，你酸了吗，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=[\'频数\'])
pinshu_df[\'频率f\'] = pinshu_df / pinshu_df[\'频数\'].sum()
pinshu_df[\'频率%\'] = pinshu_df[\'频率f\'].map(lambda x: \'%.2f%%\' % (x * 100))
pinshu_df[\'累计频率f\'] = pinshu_df[\'频率f\'].cumsum()
pinshu_df[\'累计频率%\'] = pinshu_df[\'累计频率f\'].map(lambda x: \'%.4f%%\' % (x * 100))
print(pinshu_df)
print()
print("李运辰")

从薪资范围来看，在10000-20000之间站大多数，基本很不错的薪资，大于20000+的很有一些，真是诱惑太大了

ok，今天的分享就到此结束了，我们下次再见