拉勾网爬取全国python职位并数据分析薪资,工作经验,学历等信息

Posted 步摇流苏

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了拉勾网爬取全国python职位并数据分析薪资,工作经验,学历等信息相关的知识,希望对你有一定的参考价值。

  1. 首先前往拉勾网“爬虫”职位相关页面
  2. 确定网页的加载方式是JavaScript加载
  3. 通过谷歌浏览器开发者工具分析和寻找网页的真实请求,确定真实数据在position.Ajax开头的链接里,请求方式是POST
  4. 使用requests的post方法获取数据,发现并没有返回想要的数据,说明需要加上headers和每隔多长时间爬取

    技术分享图片

    我们可以看到拉勾网列表页的信息一般js加载的都在xhr和js中,通过发送ajax加载POST请求,获取页面信息。技术分享图片
  5. 这个是ajax的头信息,通过Form Data中的的信息获取页面
  6. 下面是scrapy爬虫的 代码部分
 1 import scrapy
 2 import json
 3 from lagou.items import LagouItem
 4 class LagoupositionSpider(scrapy.Spider):
 5     name = lagouposition
 6     allowed_domains = [lagou.com]
 7     kd = input(请输入你要搜索的职位信息:)
 8     ct =input(请输入要搜索的城市信息)
 9     page=1
10     start_urls = ["https://www.lagou.com/jobs/list_"+str(kd)+"&city="+str(ct)]
11     headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
12              Referer: https://www.lagou.com/jobs/list_+str(kd)+?labelWords=&fromSearch=true&suginput=,
13              Cookie: _ga=GA1.2.1036647455.1532143907; user_trace_token=20180721113217-aacd6291-8c96-11e8-a020-525400f775ce; LGUID=20180721113217-aacd667e-8c96-11e8-a020-525400f775ce; index_location_city=%E5%8C%97%E4%BA%AC; _gid=GA1.2.1320510576.1532272161; WEBTJ-ID=20180723084204-164c4960832159-09bf89fcd2732e-5e442e19-1049088-164c496083348; JSESSIONID=ABAAABAABEEAAJAC7D58B57D1CAE4616ED47AACF945615E; _gat=1; LGSID=20180723203627-04b27de6-8e75-11e8-9ee6-5254005c3644; PRE_UTM=; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DYhfCtaCVlOHCdncJxMCMMS3PB1wGlwfw9Yt2c_FXqgu%26wd%3D%26eqid%3D8f013ed00002f4c7000000035b55cbc4; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2F; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1532306722,1532306725,1532306732,1532349358; SEARCH_ID=cdd7822cf3e2429fbc654720657d5873; LGRID=20180723203743-3221dec8-8e75-11e8-a35a-525400f775ce; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1532349434; TG-TRACK-CODE=search_code
14              }
15 
16 
17     def parse(self, response):
18         with open(lagou.html,w) as f:
19             f.write(response.text)
20         url="https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false"
21         formdata={first:true,kd:str(self.kd),pn:1,city:str(self.ct)}
22         yield scrapy.FormRequest(url,formdata=formdata,callback=self.parse_detail,headers=self.headers)
23 
24     def parse_detail(self,response):
25         text=json.loads(response.text)
26         res=[]
27         try:
28             res = text["content"]["positionResult"]["result"]
29             print(res)
30         except:
31             pass
32         if len(res)>0:
33             item = LagouItem()
34             for position in res:
35                 try:
36                     item[title]=position[positionName]
37                     item[education]=position[education]
38                     item[company]=position[companyFullName]
39                     item[experience]=position[workYear]
40                     item[location]=position[city]
41                     item[salary] = position[salary]
42                     print(item)
43                 except:
44                     pass
45                 yield item
46             self.page+=1
47             url=https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false
48             formdata={first:false,kd:str(self.kd),pn:str(self.page),city:str(self.ct)}
49             print(===========================,formdata)
50             yield scrapy.FormRequest(url, callback=self.parse_detail, formdata=formdata,headers=self.headers)
51         else:
52             print("爬取结束!")

 

注意拉钩网有反爬措施, 我们在Formreqest提交POST请求消息必须携带kd等键值对,在setting中也许设置

 1 DOWNLOAD_DELAY = 20
 2 #设置爬取时间
 3 ROBOTSTXT_OBEY = False
 4 #是否遵循发爬虫协议
 5 DEFAULT_REQUEST_HEADERS = {
 6     Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8,
 7     Accept-Language: zh-CN,zh;q=0.8,
 8     Content-Type: application/x-www-form-urlencoded; charset=UTF-8,
 9     Host: www.lagou.com,
10     Origin: https://www.lagou.com,
11     Referer: https://www.lagou.com/jobs,
12     User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36,
13     X-Anit-Forge-Code: 0,
14     X-Anit-Forge-Token: None,
15     X-Requested-With: XMLHttpRequest
16 }
17 #请求头信息headers

 

 

接下来就是在items中设置爬取信息的字段

 1 import scrapy
 2 
 3 
 4 class LagouItem(scrapy.Item):
 5     # define the fields for your item here like:
 6     # name = scrapy.Field()
 7     # pass
 8 
 9     education= scrapy.Field()
10     company= scrapy.Field()
11     experience= scrapy.Field()
12     location= scrapy.Field()
13     salary= scrapy.Field()
14     title= scrapy.Field()

 

在Pipeline.py文件中设置保存爬取文件的格式等

 1 import json
 2 class LagouPipeline(object):
 3     def open_spider(self,spider):
 4         self.file=open(pythonposition.json,w,encoding=utf-8)
 5     def process_item(self, item, spider):
 6         python_dict=dict(item)
 7         content=json.dumps(python_dict,ensure_ascii=False)+

 8         self.file.write(content)
 9         return item
10     def close_spider(self,spider):
11         self.file.close()

 

注意一定要把setting中的ITEM_PIPELINES解注释,接下来就是跑起我们的项目,通过input输入想要爬取的职位和城市,

技术分享图片

技术分享图片

上面就是爬取到的信息总共是855条招聘消息,接下来就是用jumpter-notebook打开爬取到的csv文件用pandas,numpy,和mupltlib进行分析

1 import pandas as pd
2 import numpy as np
3 import seaborn as sns
4 lagou=pd.read_csv(./examples/lagou.csv)
5 lagou.info()
6 #查看缺失值情况

 

技术分享图片

通过读取文件并显示出855条招聘信息是否有缺失值

1 city=lagou[location]
2 city=pd.DataFrame(city.unique())
3 city

 

通过上面可以看到招聘python职位的城市,总共有38城市
 1 education=lagou[education]
 2 education=pd.DataFrame(education.unique())
 3 lagou[education] = lagou[education].replace(不限,unlimited)
 4 lagou[education] = lagou[education].replace(大专,junior)
 5 lagou[education] = lagou[education].replace(本科,regular)
 6 lagou[education] = lagou[education].replace(硕士,master)
 7 lagou[education] = lagou[education].replace(博士,doctor)
 8 #seaborn不支持中文需将对应的中文替换
 9 import seaborn as sns
10 sns.set_style(whitegrid)
11 sns.countplot(x=education,data=lagou,palette=Greens_d)

 

 

技术分享图片

通过上图可以看到大多数的Python职位招聘还是本科学历为主

 1 experience=lagou[experience]
 2 experience=pd.DataFrame(experience.unique())
 3 lagou[experience] = lagou[experience].replace(不限,unlimited)
 4 lagou[experience] = lagou[experience].replace(3-5年,3-5)
 5 lagou[experience] = lagou[experience].replace(1-3年,1-3)
 6 lagou[experience] = lagou[experience].replace(5-10年,5-10)
 7 lagou[experience] = lagou[experience].replace(1年以下,<1)
 8 lagou[experience] = lagou[experience].replace(应届毕业生,intern)
 9 experience
10 sns.countplot(x="experience", data=lagou,palette="Blues_d")

 

技术分享图片

上图是招聘的工作经验的人数分布图,可以看到3-5年的Python工程师比较抢手,其次就是1-3年工作经验的

 1 import matplotlib.pyplot as plt
 2 %matplotlib inline
 3 f, ax1= plt.subplots(figsize=(20,20))
 4 sns.countplot(y=salary, data=lagou, ax=ax1)
 5 ax1.set_title(Python salary distribute ,fontsize=15)
 6 #薪资分布
 7 ax1.set_xlabel(salary)
 8 #薪资
 9 ax1.set_ylabel(level)             
10 plt.show()

 

 

同过下图可以看到拉勾网上的pyhong工程师薪资待遇,其中待遇重要分布在10-40K之间,其中给出15-30K工资待遇的企业最多

Python工程师还是很有前景的,技术分享图片

以上是关于拉勾网爬取全国python职位并数据分析薪资,工作经验,学历等信息的主要内容,如果未能解决你的问题,请参考以下文章

通俗易懂的分析如何用Python实现一只小爬虫,爬取拉勾网的职位信息

Python 爬取拉勾网python职位信息

小爬拉勾网职位

用Python爬取拉勾网数据分析职位及可视化

都说 Python 赶超 Java,爬取拉勾网数据发现它的薪资已高至 50K

python3 爬取拉勾网1