第一部分,数据分析职位信息抓取 数据分析师的收入怎么样?哪些因素对于数据分析的薪资影响最大?哪些行业对数据分析人才的需求量最高?我想跳槽,应该选择大公司大平台还是初创的小公司?按我目前的教育程度,工作经验,和掌握的工具和技能,能获得什么样水平的薪资呢? 我们使用python抓取了2017年6月26日拉钩网站内搜索“数据分析”关键词下的450条职位信息。通过对这些职位信息的分析和建模来给你答案。 本系列文章共分为五个部分,分别是数据分析职位信息抓取,数据清洗及预处理,数据分析职位需求分析,数据分析职位薪影响因素分析,以及数据分析职位薪资建模及预测。这是第一篇:数据分析职位信息抓取。 数据抓取前的准备工作首先我们需要获取职位信息的数据,方法是使用python进行抓取。整个抓取过程分为两部分,第一部分是抓取拉钩列表页中包含的职位信息,例如职位名称,薪资范围,学历要求,工作地点等。第二部分是抓取每个职位详情页中的任职资格和职位描述信息。然后我们将使用结巴分词和nltk对职位描述中的文字信息进行处理和信息提取。下面我们开始介绍每一步的操作过程。 首先,导入抓取和数据处理所需的库文件,这里不再赘述。 #导入抓取所需库文件import requestsimport numpy as npimport pandas as pdimport jsonimport timefrom bs4 import BeautifulSoup然后设置头部信息和Cookie信息。 #设置头部信息headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Accept':'text/html;q=0.9,*/*;q=0.8', 'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 'Connection':'close', 'Referer':'https://www.baidu.com/' } #设置Cookie信息cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA', '__jda':'122270672.1507607632.1423495705.1479785414.1479794553.92', '__jdb':'122270672.1.1507607632|92.1479794553', '__jdc':'122270672', '__jdu':'1507607632', '__jdv':'122270672|direct|-|none|-|1478747025001', 'areaId':'1', 'cn':'0', 'ipLoc-djd':'1-72-2799-0', 'ipLocation':'%u5317%u4EAC', 'mx':'0_X', 'rkv':'V0800', 'user-key':'216123d5-4ed3-47b0-9289-12345', 'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'}抓取职位列表信息设置要抓取的页面URL,拉钩的职位信息列表是JS动态加载的,不在所显示的页面URL中。所以直接抓取列表页并不能获得职位信息。这里我们使用Chrome浏览器里的开发者工具进行查找。具体方法是在商品详情页点击鼠标右键,选择检查,在弹出的开发者工具界面中选择Network,设置为禁用缓存(Disable cache)和只查看XHR类型的请求。然后刷新页面。一共有4个请求,选择包含positionAjax关键字的链接就是我们要抓取的URL地址。具体过程如下面截图所示。 这里有一个问题,要抓取的URL地址中只有第一页的15个职位信息,并且URL参数中也没有包含页码。而我们要抓取的是全部30多页的职位列表。如何翻页呢?后面我们将解决这个问题。 #设置抓取页面的URLurl='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
职位列表中包含了多个职位相关的信息,我们先建立一些空list用于存储这些信息。 #创建list用于存储数据positionName=[]workYear=[]education=[]district=[]jobNature=[]salary=[]city=[]businessZones=[]companyLabelList=[]companySize=[]financeStage=[]industryField=[]secondType=[]positionId=[]
开始抓取列表页中的职位信息,建立一个30页的循环然后将页码作为请求参数与头部信息和Cookie一起传给服务器。获取返回的信息后对页面内容进行解码,然后从json数据中提取所需的职位信息,并保存在上一步创建的list中。用于后续的组表。这里的最后一个信息是职位id,也就是拉钩职位详情页URL中的一部分。通过这个id我们可以生成与列表页职位相对应的详情页URL。并从中提取任职资格和职位描述信息。 #循环抓取列表页信息for x in range(1,31): #设置查询关键词及当前页码 para = {'first': 'true','pn': x, 'kd': "数据分析"} #抓取列表页信息 r=requests.get(url=url,headers=headers,cookies=cookie,params=para) #存储bytes型页面数据 html=r.content #对页面内容进行解码 html = html.decode() #将json串转化为dict html_json=json.loads(html) #逐层获取职位列表信息 content=html_json.get('content') positionResult=content.get('positionResult') result=positionResult.get('result') #循环提取职位列表中的关键信息 for i in result: #获取职位名称,工作年限,教育程度,城市及薪资范围等信息。 positionName.append(i.get('positionName')) workYear.append(i.get('workYear')) education.append(i.get('education')) district.append(i.get('district')) jobNature.append(i.get('jobNature')) salary.append(i.get('salary')) city.append(i.get('city')) businessZones.append(i.get('businessZones')) companyLabelList.append(i.get('companyLabelList')) companySize.append(i.get('companySize')) financeStage.append(i.get('financeStage')) industryField.append(i.get('industryField')) secondType.append(i.get('secondType')) #获取职位的Id编码。 positionId.append(i.get('positionId'))
设置一个当前的日期字段,用于标记数据获取的时间。 #设置日期字段date=time.strftime('%Y-%m-%d',time.localtime(time.time()))
将前面抓取到的职位信息,以及当前的日期一起组成Dataframe。便于后续的处理和分析。 #设置DataFrame表格顺序columns = ['date','positionName', 'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','d istrict','secondType','positionId']#将获取到的字段信息合并为DataFrametable=pd.DataFrame({'date':date, 'positionName':positionName, 'workYear':workYear, 'education':education, 'jobNature':jobNature, 'businessZones':businessZones, 'salary':salary, 'city':city, 'companyLabelList':companyLabelList, 'companySize':companySize, 'financeStage':financeStage, 'industryField':industryField, 'district':district, 'secondType':secondType, 'positionId':positionId}, columns=columns)
查看生成的数据表,其中包含了我们在列表页中抓取的信息,以及下一步要使用的职位id信息。 #查看数据表table
这里你可以保存一个版本,也可以忽略这一步,继续后面的职位详情页信息抓取。 #存储数据表table.to_csv('lagou_' + date + '.csv')
抓取职位详情信息(职位描述)抓取职位详情页的信息,首先需要通过拼接生成职位详情页的URL。我们预先写好URL的开始和结束部分,这两部分是固定的,抓取过程中不会发生变化 ,中间动态填充职位的id。 #设置详情页的URL固定部分url1='https://www.lagou.com/jobs/'url2='.html'
创建一个list用于存储抓取到的职位描述信息。 #创建job_detail用于存储职位描述job_detail=[]从前面抓取的职位id(positionId)字段循环提取每一个id信息,与URL的另外两部分组成要抓取的职位详情页URL。并从中提取职位描述信息。这里的职位信息不是js动态加载的,因此直接抓取页面信息保存在之前创建的list中就可以了。 #循环抓取详情页的职位描述for d in positionId: #更改positionId格式 d=str(d) #拼接详情页URL url3=(url1 + d + url2) #抓取详情页信息 r=requests.get(url=url3,headers=headers,cookies=cookie) #存储bytes型页面数据yu detail=r.content #创建 beautifulsoup 对象 lagou_detail=BeautifulSoup(detail) #提取职位描述信息 gwzz=lagou_detail.find_all('dd',attrs={'class':'job_bt'}) for j in gwzz: gwzz_text=j.get_text() job_detail.append(gwzz_text)查看并检查一下提取到的职位描述信息。然后将职位描述信息拼接到之前创建的Dataframe中。 #查看职位描述信息job_detail
完整的职位抓取代码以下是完整的抓取代码,步骤和前面介绍的略有不同,最后生成一个包含所有职位信息和描述的完整数据表。用于下一步的数据清洗,预处理,分析和建模的工作。 def lagou(p): import requests import numpy as np import pandas as pd import json import time from bs4 import BeautifulSoup import jieba as jb import jieba.analyse headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Accept':'text/html;q=0.9,*/*;q=0.8', 'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 'Connection':'close', 'Referer':'https://www.jd.com/' } cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA', '__jda':'122270672.1507607632.1423495705.1479785414.1479794553.92', '__jdb':'122270672.1.1507607632|92.1479794553', '__jdc':'122270672', '__jdu':'1507607632', '__jdv':'122270672|direct|-|none|-|1478747025001', 'areaId':'1', 'cn':'0', 'ipLoc-djd':'1-72-2799-0', 'ipLocation':'%u5317%u4EAC', 'mx':'0_X', 'rkv':'V0800', 'user-key':'216123d5-4ed3-47b0-9289-12345', 'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'} url='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false' positionName=[] workYear=[] education=[] district=[] jobNature=[] salary=[] city=[] businessZones=[] companyLabelList=[] companySize=[] financeStage=[] industryField=[] secondType=[] positionId=[] for x in range(1,31): para = {'first': 'true','pn': x, 'kd': p} r=requests.get(url=url,headers=headers,cookies=cookie,params=para) html=r.content html = html.decode() html_json=json.loads(html) content=html_json.get('content') positionResult=content.get('positionResult') result=positionResult.get('result') for i in result: positionName.append(i.get('positionName')) workYear.append(i.get('workYear')) education.append(i.get('education')) district.append(i.get('district')) jobNature.append(i.get('jobNature')) salary.append(i.get('salary')) city.append(i.get('city')) businessZones.append(i.get('businessZones')) companyLabelList.append(i.get('companyLabelList')) companySize.append(i.get('companySize')) financeStage.append(i.get('financeStage')) industryField.append(i.get('industryField')) secondType.append(i.get('secondType')) positionId.append(i.get('positionId')) url1='https://www.lagou.com/jobs/' url2='.html' job_detail=[] for d in positionId: d=str(d) url3=(url1 + d + url2) r=requests.get(url=url3,headers=headers,cookies=cookie) detail=r.content lagou_detail=BeautifulSoup(detail) gwzz=lagou_detail.find_all('dd',attrs={'class':'job_bt'}) for j in gwzz: gwzz_text=j.get_text() job_detail.append(gwzz_text) date=time.strftime('%Y-%m-%d',time.localtime(time.time())) columns = ['date','positionName', 'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','district','secondType','positionId','job_detail'] table=pd.DataFrame({'date':date, 'positionName':positionName, 'workYear':workYear, 'education':education, 'jobNature':jobNature, 'businessZones':businessZones, 'salary':salary, 'city':city, 'companyLabelList':companyLabelList, 'companySize':companySize, 'financeStage':financeStage, 'industryField':industryField, 'district':district, 'secondType':secondType, 'positionId':positionId, 'job_detail':job_detail}, columns=columns) table.to_csv('lagou_' + p + date + '.csv') lagou("数据分析")
到这里我们已经获取了拉钩网的450个数据分析职位信息及职位描述。我们将在后面的文章中对这450个职位信息进行分析和建模。
|