ruby 爬虫爬取拉钩网职位信息,产生词云报告

Posted wf0117

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ruby 爬虫爬取拉钩网职位信息,产生词云报告相关的知识,希望对你有一定的参考价值。

思路:1.获取拉勾网搜索到职位的页数

  技术分享图片

2.调用接口获取职位id

  技术分享图片

3.根据职位id访问页面,匹配出关键字

  技术分享图片

 

url访问采用unirest,由于拉钩反爬虫,短时间内频繁访问会被限制访问,所以没有采用多线程,而且每个页面访问时间间隔设定为10s,通过nokogiri解析页面,正则匹配只获取技能要求中的英文单词,可能存在数据不准确的情况

数据持久化到excel中,采用ruby erb生成word_cloud报告

爬虫代码:

require unirest
require uri
require nokogiri
require json
require win32ole

@position = 测试开发工程师
@city = 杭州

# 页面访问
def query_url(method, url, headers:{}, parameters:nil)
  case method
    when :get
      Unirest.get(url, headers:headers).body
    when :post
      Unirest.post(url, headers:headers, parameters:parameters).body
  end
end

# 获取页数
def get_page_num(url)
  html = query_url(:get, url).force_encoding(utf-8)
  html.scan(/<span class="span totalNum">(d+)</span>/).first.first
end

# 获取每页显示的所有职位的id
def get_positionsId(url, headers:{}, parameters:nil)
  response = query_url(:post, url, headers:headers, parameters:parameters)
  positions_id = Array.new
  response[content][positionResult][result].each{|i| positions_id << i[positionId]}
  positions_id
end

# 匹配职位英文关键字
def get_skills(url)
  puts "loading url: #{url}"
  html = query_url(:get, url).force_encoding(utf-8)
  doc = Nokogiri::HTML(html)
  data = doc.css(dd.job_bt)
  data.text.scan(/[a-zA-Z]+/)
end

# 计算词频
def word_count(arr)
  arr.map!(&:downcase)
  arr.select!{|i| i.length>1}
  counter = Hash.new(0)
  arr.each { |k| counter[k]+=1 }
  # 过滤num=1的数据
  counter.select!{|_,v| v > 1}
  counter2 = counter.sort_by{|_,v| -v}.to_h
  counter2
end

# 转换
def parse(hash)
  data = Array.new
  hash.each do |k,v|
    word = Hash.new
    word[name] = k
    word[value] = v
    data << word
  end
  JSON data
end

# 持久化数据
def save_excel(hash)
  excel = WIN32OLE.new(Excel.Application)
  excel.visible = false
  workbook = excel.Workbooks.Add()
  worksheet = workbook.Worksheets(1)
  # puts hash.size
  (1..hash.size+1).each do |i|
    if i == 1
      # puts "A#{i}:B#{i}"
      worksheet.Range("A#{i}:B#{i}").value = [关键词, 频次]
    else
      # puts i
      # puts hash.keys[i-2], hash.values[i-2]
      worksheet.Range("A#{i}:B#{i}").value = [hash.keys[i-2], hash.values[i-2]]
    end
  end
  excel.DisplayAlerts = false
  workbook.saveas(File.dirname(__FILE__)+lagouspider.xls)
  workbook.saved = true
  excel.ActiveWorkbook.Close(1)
  excel.Quit()
end

# 获取页数
url = URI.encode("https://www.lagou.com/jobs/list_#@position?city=#@city&cl=false&fromSearch=true&labelWords=&suginput=")
num = get_page_num(url).to_i
puts "存在 #{num} 个信息分页"

skills = Array.new
(1..num).each do |i|
  puts "定位在第#{i}页"
  # 获取positionsid
  url2 = URI.encode("https://www.lagou.com/jobs/positionAjax.json?city=#@city&needAddtionalResult=false")
  headers = {Referer:url, User-Agent:i%2==1?Mozilla/5.0:Chrome/67.0.3396.87}
  parameters = {first:(i==1), pn:i, kd:@position}
  positions_id = get_positionsId(url2, headers:headers, parameters:parameters)
  positions_id.each do |id|
    # 访问具体职位页面,提取英文技能关键字
    url3 = "https://www.lagou.com/jobs/#{id}.html"
    skills.concat get_skills(url3)
    sleep 10
  end
end

count = word_count(skills)
save_excel(count)
@data = parse(count)

 

效果展示:

技术分享图片   技术分享图片

以上是关于ruby 爬虫爬取拉钩网职位信息,产生词云报告的主要内容,如果未能解决你的问题,请参考以下文章

爬虫---爬取拉钩信息网

21天打造分布式爬虫-Selenium爬取拉钩职位信息

selelinum+PhantomJS 爬取拉钩网职位

爬取拉钩全站的职位信息

爬取拉钩岗位信息生成图表和词云

python 爬虫系列09-selenium+拉钩