前言
利用requests爬取拉勾網求職信息數據分析與可視化,廢話不多說。
讓我們愉快地開始吧~
開發工具
Python版本:3.6.4
相關模塊:
requests模塊;
re模塊;
os模塊
jieba模塊;
pandas模塊
numpy模塊
pyecharts模塊;
以及一些Python自帶的模塊。
環境搭建
安裝Python並添加到環境變量,pip安裝需要的相關模塊即可。
數據爬取
爬取拉勾網求職信息
1.requests 請求,獲取單頁面
# 我們最常用的流程:網頁上覆制url->發送get請求—>打印頁面內容->分析抓取數據
# 1.獲取拉鉤網url
req_url = 'https://www.lagou.com/jobs/list_python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput='
# 2.發送get請求
req_result = requests.get(req_url)
# 3.打印請求結果
print(req_result.text)
輸出結果如下
<html>
<head>
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="renderer" content="webkit">
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"> </head>
<script type="text/javascript" src="https://www.lagou.com/utrack/trackMid.js?version=1.0.0.3&t=1529144464"></script>
<body>
<input type="hidden" id="KEY" value="VAfyhYrvroX6vLr5S9WNrP16ruYI6aYOZIwLSgdqTWc"/>
<script type="text/javascript">HZRxWevI();</script>é?μé?¢?? è????-... <script type="text/javascript" src="https://www.lagou.com/upload/oss.js"></script>
</body></html>
上述結果我們可以看出與我們想象的還是差別很大。
爲什麼會出現以上這種情況呢,其實很簡單,因爲它並不是簡單的靜態頁面,我們知道請求方式有get和post請求兩種基本區別如下
(1)Get是向服務器發索取數據的一種請求;而Post是向服務器提交數據的一種請求,要提交的數據位 於信息頭後面的實體中。GET和POST只是發送機制不同,並不是一個取一個發. (2)GET請求時其發送的信息是以url明文發送的,其參數會被保存在瀏覽器歷史或web服務器中, 而post則不會某(這也是後面我們翻頁的時候發現拉勾網翻頁時 瀏覽器 url欄地址沒有變化的原因。)
2.分析頁面加載,找到數據
1.請求分析
在拉鉤網首頁,按F12進入開發者模式,然後在查詢框中輸入python
,點擊搜索,經過我的查找,終於找到了頁面上職位信息所在的頁面,的確是一個post
請求,而且頁面返回內容爲一個json
格式的字典。
2.返回數據內容分析
頁面上:我們主要獲取7個數據(公司|城市|職位|薪資|學歷要求|工作經驗|職位優點)
json
數據中:我把爬下來的json
數據整理了一下,如下圖
我們會發現,我們需要的數據全在req_info['content']['positionResult']['result']
裏面,爲一個列表,而且還包含許多其他的信息,本次我們不關心其他數據。我們所需要數據如下圖框
3.添加headers 信息,模仿瀏覽器請求
通過上面的請求分析我們可以找到post
請求的網址爲:https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false,如果此時我們直接發送post
請求,會提示如下代碼:
{'success': False, 'msg': '您操作太頻繁,請稍後再訪問', 'clientIp': '122.xxx.xxx.xxx'}
出現這種提示的原因是,我們直接post
訪問url,服務器會把我們誤認爲‘機器人’,這也是一種反爬,解決方法很簡單,加一個請求頭即可完全模擬瀏覽器請求,請求頭獲取見下圖
4.解析頁面,實現翻頁爬取
分析發現下面規律:
在post
請求中,有個請求參數->表單數據,包含三個參數first、kd、pn
,通過動圖演示,我們不難猜出其含義
data = {
'first':'true', # 是不是第一頁,false表示不是,true 表示是 'kd':'Python', # 搜索關鍵字
'pn':1 # 頁碼
}
代碼
import requests\
# 1. post 請求的 url\
req_url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'\
# 2. 請求頭 headers\
headers = {'你的請求頭'}\
# 3. for 循環請求\
for i in range(1,31):\
data = { 'first':'false','kd':'Python','pn':i} \
# 3.1 requests 發送請求\
req_result = requests.post(req_url,headers = headers,data = data) req_result.encoding = 'utf-8'\
# 3.2 獲取數據\
req_info = req_result.json() \
# 打印出獲取到的數據\
print(req_info)
5.爬取數據存入csv文件
def file_do(list_info): # 獲取文件大小 file_size = os.path.getsize(r'G:\lagou_test.csv') \
if file_size == 0: \
# 表頭 name = ['公司','城市','職位','薪資','學歷要求','工作經驗','職位優點'] \
# 建立DataFrame對象 file_test = pd.DataFrame(columns=name, data=list_info) \
# 數據寫入 file_test.to_csv(r'G:\lagou_test.csv', encoding='gbk',index=False) \
else: \
with open(r'G:\lagou_test.csv','a+',newline='') as file_test : # 追加到文件後面 writer = csv.writer(file_test) \
# 寫入文件 writer.writerows(list_info)
展示爬取的數據
數據可視化
數據分析+pyechart數據可視化
薪資分佈分析
# 薪資分析,下面的幾個都是柱狀圖,和這個地方分析一樣# 統計各個城市出現次數
salary_lists = {}for x in city:
salary_lists[x] = salary.count(x)
key = []
values = []for k,v in salary_lists.items():
key.append(k)
values.append(v)
bar2 = Bar('求職信息數據化','需求量',page_title='薪資分佈')
# 圖表其他主題:vintage,macarons,infographic,shine,roma
bar2.use_theme('vintage')
bar2.add('薪資',key,values,is_more_utils = True,is_datazoom_show = True,xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=30)
bar2.render()
我們可以看到,python
的薪資基本都是10k起步,大部分公司給出薪資在10k-40k之間,所以,不要怕學python
喫不到飯。
2.工作地點分析
通過圖表,我們很容易看出,需要python
程序員的公司大多分佈在北京、上海、深圳,再後面就是廣州了,所以,學python
的同學千萬不要去錯城市哦。
3.職位學歷要求
根據圖表顯示,python
程序員的學歷要求並不高,主要是本科,雖然學歷要求不高,但一定要有思辨能力哦。
4.工作經驗要求
主要是需要3-5年工作經驗的同學,不老也不年輕,成熟穩重,又能學新東西的年齡,招聘公司真聰明。
5.工作職位研究方向分析
6.工作福利優點分析
# 福利關鍵詞分析
content = ''
# 連接所有公司福利介紹
for x in positionAdvantage:
content = content + x
# 去除多餘字符
content = re.sub('[,、(),1234567890;;&%$#@!~_=+]', '', content)
# jieba 切詞,pandas、numpy計數
segment = jieba.lcut(content)
words_df = pd.DataFrame({'segment': segment})
words_stat = words_df.groupby(by=['segment'])['segment'].agg({"計數": numpy.size})
words_stat = words_stat.reset_index().sort_values(by=["計數"], ascending=False) test = words_stat.head(1000).values
# 製作詞雲圖\
codes = [test[i][0] for i in range(0,len(test))]
counts = [test[i][1] for i in range(0,len(test))]
wordcloud = WordCloud(width=1300, height=620,page_title='福利關鍵詞') wordcloud.add("福利關鍵詞", codes, counts, word_size_range=[20, 100]) wordcloud.render()