相信各位同學(xué)多多少少在拉鉤上投過簡歷，今天突然想了解一下北京Python開發(fā)的薪資水平、招聘要求、福利待遇以及公司地理位置。既然要分析那必然是現(xiàn)有數(shù)據(jù)樣本。本文通過爬蟲和數(shù)據(jù)分析為大家展示一下北京Python開發(fā)的現(xiàn)狀，希望能夠在職業(yè)規(guī)劃方面幫助到大家！！！
爬蟲的第一步自然是從分析請(qǐng)求和網(wǎng)頁源代碼開始。從網(wǎng)頁源代碼中我們并不能找到發(fā)布的招聘信息。但是在請(qǐng)求中我們看到這樣一條POST請(qǐng)求
如下圖我們可以得知
url：https://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false
請(qǐng)求方式：post
result：為發(fā)布的招聘信息
totalCount：為招聘信息的條數(shù)
通過實(shí)踐發(fā)現(xiàn)除了必須攜帶headers之外，拉勾網(wǎng)對(duì)ip訪問頻率也是有限制的。一開始會(huì)提示 '訪問過于頻繁'，繼續(xù)訪問則會(huì)將ip拉入黑名單。不過一段時(shí)間之后會(huì)自動(dòng)從黑名單中移除。
針對(duì)這個(gè)策略，我們可以對(duì)請(qǐng)求頻率進(jìn)行限制，這個(gè)弊端就是影響爬蟲效率。
其次我們還可以通過代理ip來進(jìn)行爬蟲。網(wǎng)上可以找到免費(fèi)的代理ip，但大都不太穩(wěn)定。付費(fèi)的價(jià)格又不太實(shí)惠。
具體就看大家如何選擇了
通過分析請(qǐng)求我們發(fā)現(xiàn)每頁返回15條數(shù)據(jù)，totalCount又告訴了我們?cè)撀毼恍畔⒌目倵l數(shù)。
向上取整就可以獲取到總頁數(shù)。然后將所得數(shù)據(jù)保存到csv文件中。這樣我們就獲得了數(shù)據(jù)分析的數(shù)據(jù)源！
post請(qǐng)求的Form Data傳了三個(gè)參數(shù)
first ： 是否首頁(并沒有什么用)
pn：頁碼
kd：搜索關(guān)鍵字
# 獲取請(qǐng)求結(jié)果
# kind 搜索關(guān)鍵字
# page 頁碼 默認(rèn)是1
def get_json(kind, page=1,):
# post請(qǐng)求參數(shù)
param = {
'first': 'true',
'pn': page,
'kd': kind
}
header = {
'Host': 'www.lagou.com',
'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
# 設(shè)置代理
proxies = [
{'http': '140.143.96.216:80', 'https': '140.143.96.216:80'},
{'http': '119.27.177.169:80', 'https': '119.27.177.169:80'},
{'http': '221.7.255.168:8080', 'https': '221.7.255.168:8080'}
]
# 請(qǐng)求的url
url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false'
# 使用代理訪問
# response = requests.post(url, headers=header, data=param, proxies=random.choices(proxies))
response = requests.post(url, headers=header, data=param, proxies=proxies)
response.encoding = 'utf-8'
if response.status_code == 200:
response = response.json()
# 請(qǐng)求響應(yīng)中的positionResult 包括查詢總數(shù) 以及該頁的招聘信息(公司名、地址、薪資、福利待遇等...)
return response['content']['positionResult']
return None
接下來我們只需要每次翻頁之后調(diào)用 get_json 獲得請(qǐng)求的結(jié)果 再遍歷取出需要的招聘信息即可
if __name__ == '__main__':
# 默認(rèn)先查詢第一頁的數(shù)據(jù)
kind = 'python'
# 請(qǐng)求一次 獲取總條數(shù)
position_result = get_json(kind=kind)
# 總條數(shù)
total = position_result['totalCount']
print('{}開發(fā)職位，招聘信息總共{}條.....'.format(kind, total))
# 每頁15條 向上取整 算出總頁數(shù)
page_total = math.ceil(total/15)
# 所有查詢結(jié)果
search_job_result = []
#for i in range(1, total + 1)
# 為了節(jié)約效率 只爬去前100頁的數(shù)據(jù)
for i in range(1, 100):
position_result = get_json(kind=kind, page= i)
# 每次抓取完成后,暫停一會(huì),防止被服務(wù)器拉黑
time.sleep(15)
# 當(dāng)前頁的招聘信息
page_python_job = []
for j in position_result['result']:
python_job = []
# 公司全名
python_job.append(j['companyFullName'])
# 公司簡稱
python_job.append(j['companyShortName'])
# 公司規(guī)模
python_job.append(j['companySize'])
# 融資
python_job.append(j['financeStage'])
# 所屬區(qū)域
python_job.append(j['district'])
# 職稱
python_job.append(j['positionName'])
# 要求工作年限
python_job.append(j['workYear'])
# 招聘學(xué)歷
python_job.append(j['education'])
# 薪資范圍
python_job.append(j['salary'])
# 福利待遇
python_job.append(j['positionAdvantage'])
page_python_job.append(python_job)
# 放入所有的列表中
search_job_result += page_python_job
print('第{}頁數(shù)據(jù)爬取完畢, 目前職位總數(shù):{}'.format(i, len(search_job_result)))
# 每次抓取完成后,暫停一會(huì),防止被服務(wù)器拉黑
time.sleep(15)
ok！ 數(shù)據(jù)我們已經(jīng)獲取到了，最后一步我們需要將數(shù)據(jù)保存下來
# 將總數(shù)據(jù)轉(zhuǎn)化為data frame再輸出
df = pd.DataFrame(data=search_job_result,
columns=['公司全名', '公司簡稱', '公司規(guī)模', '融資階段', '區(qū)域', '職位名稱', '工作經(jīng)驗(yàn)', '學(xué)歷要求', '工資', '職位福利'])
df.to_csv('lagou.csv', index=False, encoding='utf-8_sig')
運(yùn)行main方法直接上結(jié)果：
通過分析cvs文件，為了方便我們統(tǒng)計(jì)，我們需要對(duì)數(shù)據(jù)進(jìn)行清洗
比如剔除實(shí)習(xí)崗位的招聘、工作年限無要求或者應(yīng)屆生的當(dāng)做 0年處理、薪資范圍需要計(jì)算出一個(gè)大概的值、學(xué)歷無要求的當(dāng)成大專
# 讀取數(shù)據(jù)
df = pd.read_csv('lagou.csv', encoding='utf-8')
# 數(shù)據(jù)清洗,剔除實(shí)習(xí)崗位
df.drop(df[df['職位名稱'].str.contains('實(shí)習(xí)')].index, inplace=True)
# print(df.describe())
# 由于CSV文件內(nèi)的數(shù)據(jù)是字符串形式,先用正則表達(dá)式將字符串轉(zhuǎn)化為列表,再取區(qū)間的均值
pattern = 'd+'
df['work_year'] = df['工作經(jīng)驗(yàn)'].str.findall(pattern)
# 數(shù)據(jù)處理后的工作年限
avg_work_year = []
# 工作年限
for i in df['work_year']:
# 如果工作經(jīng)驗(yàn)為'不限'或'應(yīng)屆畢業(yè)生',那么匹配值為空,工作年限為0
if len(i) == 0:
avg_work_year.append(0)
# 如果匹配值為一個(gè)數(shù)值,那么返回該數(shù)值
elif len(i) == 1:
avg_work_year.append(int(''.join(i)))
# 如果匹配值為一個(gè)區(qū)間,那么取平均值
else:
num_list = [int(j) for j in i]
avg_year = sum(num_list)/2
avg_work_year.append(avg_year)
df['工作經(jīng)驗(yàn)'] = avg_work_year
# 將字符串轉(zhuǎn)化為列表,再取區(qū)間的前25%，比較貼近現(xiàn)實(shí)
df['salary'] = df['工資'].str.findall(pattern)
# 月薪
avg_salary = []
for k in df['salary']:
int_list = [int(n) for n in k]
avg_wage = int_list[0]+(int_list[1]-int_list[0])/4
avg_salary.append(avg_wage)
df['月工資'] = avg_salary
# 將學(xué)歷不限的職位要求認(rèn)定為最低學(xué)歷:大專
df['學(xué)歷要求'] = df['學(xué)歷要求'].replace('不限','大專')
數(shù)據(jù)通過簡單的清洗之后，下面開始我們的統(tǒng)計(jì)
# 繪制頻率直方圖并保存
plt.hist(df['月工資'])
plt.xlabel('工資 (千元)')
plt.ylabel('頻數(shù)')
plt.title("工資直方圖")
plt.savefig('薪資.jpg')
plt.show()
結(jié)論：北京市Python開發(fā)的薪資大部分處于15~25k之間
# 繪制餅圖并保存
count = df['區(qū)域'].value_counts()
plt.pie(count, labels = count.keys(),labeldistance=1.4,autopct='%2.1f%%')
plt.axis('equal') # 使餅圖為正圓形
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))
plt.savefig('pie_chart.jpg')
plt.show()
結(jié)論：Python開發(fā)的公司最多的是海淀區(qū)、其次是朝陽區(qū)。準(zhǔn)備去北京工作的小伙伴大概知道去哪租房了吧
# {'本科': 1304, '大專': 94, '碩士': 57, '博士': 1}
dict = {}
for i in df['學(xué)歷要求']:
if i not in dict.keys():
dict[i] = 0
else:
dict[i] += 1
index = list(dict.keys())
print(index)
num = []
for i in index:
num.append(dict[i])
print(num)
plt.bar(left=index, height=num, width=0.5)
plt.show()
結(jié)論：在Python招聘中，大部分公司要求是本科學(xué)歷以上。但是學(xué)歷只是個(gè)敲門磚，如果努力提升自己的技術(shù)，這些都不是事兒
# 繪制詞云,將職位福利中的字符串匯總
text = ''
for line in df['職位福利']:
text += line
# 使用jieba模塊將字符串分割為單詞列表
cut_text = ' '.join(jieba.cut(text))
#color_mask = imread('cloud.jpg') #設(shè)置背景圖
cloud = WordCloud(
background_color = 'white',
# 對(duì)中文操作必須指明字體
font_path='yahei.ttf',
#mask = color_mask,
max_words = 1000,
max_font_size = 100
).generate(cut_text)
# 保存詞云圖片
cloud.to_file('word_cloud.jpg')
plt.imshow(cloud)
plt.axis('off')
plt.show()
