新手向-爬取分析拉勾网招聘信息

[TOC]

爱写bug（ID：icodebugs）

做者：爱写bug

前言：

​ 看了不少网站，只发现获取拉勾网招聘信息是只用post方式就能够获得，应当是很是简单了。推荐刚接触数据分析和爬虫的朋友试一下。

在python3.七、acaconda3环境下运行经过

数据爬取篇：

一、伪造浏览器访问拉勾网

打开Chrome浏览器，进入拉勾网官网，右键->检查，调出开发者模式。

而后在拉勾网搜索关键词 算法工程师 回车，而后点击下一页、下一页，此时开发者工具里的Network 下XHR（表示该网站是以Ajax方式获取刷新信息的）应当以下图（图中已标明了一些关键信息）：

每次点击下一页图中XHR下以PositionAjax开头的请求就会多一条，图下方 Form Data 里 page numberpn 就会增长1，网站地址：https://www.lagou.com/jobs/list_ + 搜索关键词 city= + 城市名称 +&cl=false&fromSearch=true&labelWords=&suginput=

固然搜索关键词是中文的话必定要 unicode 转码。这里咱们以关键字为算法工程师，地区为全国 为例，因此URL：

转码前：
https://www.lagou.com/jobs/list_算法工程师?city=全国&cl=false&fromSearch=true&labelWords=&suginput=
转码后：
https://www.lagou.com/jobs/list_%E7%AE%97%E6%B3%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput=
复制代码

根据图中 Request Headers 构造请求头伪形成浏览器访问：

headers = {
        'Accept': "application/json, text/javascript, */*; q=0.01",
        'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36",
        'Referer': "https://www.lagou.com/jobs/list_%E7%AE%97%E6%B3%95%E5%B7%A5%E7%A8%8B%E5%B8%88?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput="
    }
复制代码

而后根据图中 Form Data来构造表单，只有pn表示的当前所在页数须要不断改变，因此 pn 定义一个变量num表示当前页数：

form_data = {
        'first': 'true',
        'pn': num,
        'kd': '算法工程师'
    }
复制代码

而后试一下：

request=requests.post(url,data=form_data,headers=headers)
print(request.text)
复制代码

可是尴尬的是这个时候post请求得到的回复是：

{"status":false,"msg":"您操做太频繁,请稍后再访问","clientIp":"182.245.65.138","state":2402}
复制代码

因为该网站的反爬措施，此时不管把请求头构造的多好都没用，哪怕用本地的Cookie。

因此咱们采用 Seesion 对话方式：

s = requests.Session()  # 建立一个session对象
s.get(url_start, headers=headers, timeout=3) # 使用session维持同一个会话
cookie = s.cookies # 使用该会话的cookie
response = s.post(url, data=form_data, headers=headers, cookies=cookie, timeout=3)
复制代码

链接成功！

二、获取招聘数据

而后解析返回的 json 对象。咱们先在开发者工具里把 PositionAjax 项的 Headers 改到 Preview 看一下Chrome帮咱们格式化好的 json 内容：

出现了，咱们想要的数据 在 content -> positionResult -> result , 一共从0到14共15条信息，这对应了网站每页现实的信息数。而最下面还有 totalCount: 16945 这是搜索该关键词 算法工程师 下的总条目数。能够根据这个算出一共有多页的信息（16945 / 15）而不是网站上显示的只有30页。因为时间关系，本次示例只获取29页数据。本次示例只获取29页数据。

def parse_page(job_json):
    job_list = job_json['content']['positionResult']['result']
    company_info = []
    for job in job_list:
        job_info = []
        job_info.append(job['companyFullName'])#公司全称
        job_info.append(job['companySize'])#规模
        job_info.append(job['financeStage'])#融资状况
        job_info.append(job['district'])#位置
        job_info.append(job['positionName'])#职位
        job_info.append(job['workYear'])#工做经验要求
        job_info.append(job['education'])#学历
        job_info.append(job['salary'])#工资
        job_info.append(job['positionAdvantage'])#福利待遇
        company_info.append(job_info)#把全部职位状况添加到网页信息page_info
    return company_info
复制代码

咱们就把每一个公司的各种招聘状况存储在 company_info 里了。

最后把全部 company_info 汇总在一块儿：

result = parse_page(job_json)
all_company += result # 全部公司招聘信息汇在一块儿
复制代码

接着以CSV格式存储在本地：

path = 'A:\Temp\\'  # 指定csv数据存储路径
df.to_csv(path + 'lagou_algorithm_data.csv', index=False)
print('保存路径：' + path + 'lagou_algorithm_data.csv')
复制代码

数据图片：

数据分析篇：

一、数据清洗：

​ 咱们得到的数据都是以字符串形式存储的，并且像工资（20k—30k）、工做经验（3—5年）都是以区间的形式表现出来的，应该求其平均值（工资25k，工做经验4年）。另外像工做经验 不限、应届毕业生等，咱们应该把该公司要求年限 改成0。

pattern = '\d+'  # 正则表达式-匹配连续数字
# 统计每一个公司的平均经验要求
lagou_data['平均经验'] = lagou_data['经验'].str.findall(
    pattern)  # findall查找全部['经验']下的数字字符串
avg_work_year = []
for i in lagou_data['平均经验']:
    if len(i) == 0:  # 长度为0则意为着没数字，既工做经验为不限、应届毕业生等,即没有工做经验要求
        avg_work_year.append(0)
    else:  # 匹配的是两个数值的工做经验区间 几年到几年，，
        year_list = [int(j) for j in i]  # 获得每个数转为int型
        avg_year = sum(year_list)/2  # 求工做区间的平均值，平均年限
        avg_work_year.append(avg_year)
lagou_data['平均经验'] = avg_work_year
# 统计每一个公司给出的平均工资
lagou_data['平均工资'] = lagou_data['工资'].str.findall(pattern)
avg_salary = []
for k in lagou_data['平均工资']:
    salary_list = [int(n) for n in k]
    salary = sum(salary_list)/2
    avg_salary.append(salary)
lagou_data['平均工资'] = avg_salary # 新列一项平均工资
复制代码

存储的csv文件（你须要先存到本地才能看获得）会多两列 平均经验 和 平均工资：

二、数据可视化：

因为本篇为基础篇只画两个最简单的图且不作过多渲染美化，数据可视化都是一些简单的绘图，只有一个中文显示乱码问题，其余并无什么坑，因此不作过多描述。

解决中文乱码问题：

plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换sans-serif字体显示中文
plt.rcParams['axes.unicode_minus'] = False  # 解决坐标轴负数的负号显示问题
复制代码

平均工资直方图：

# 绘制工资频率直方图
plt.hist(lagou_data['平均工资'], alpha=0.8, color='steelblue')
plt.xlabel('工资/千元')
plt.ylabel('频数')
plt.title("算法工程师平均工资直方图")
plt.savefig(path+'lagou_algorithm_salary.jpg')  # 指定保存路径
plt.show()
复制代码

平均工做经验要求直方图（代码与上面类似，省略）：

学历要求饼状图：

# 绘制学历要求饼图
count = lagou_data['学历'].value_counts()
plt.pie(count, labels=count.keys(), shadow=True,autopct='%2.2f%%')
plt.savefig(path+'lagou_algorithm_education.jpg')
plt.show()
复制代码

绘制福利待遇词云：

这里要注意一下，上面设置的全局显示字体仅对matplotlib，有效，因此这里要指定一下字体防止中文乱码。

# 绘制福利待遇词云
color_mask = imread(path+'china_map.jpg')
strs = ''
for line in lagou_data['福利']:
    strs += line  # 链接全部字符串
cut_strs = ' '.join(jieba.cut(strs))  # 使用中文分词jieba，将字符串分割成列表
word_cloud = WordCloud(font_path='C:\Windows\Fonts\微软雅黑\msyh.ttc',mask=color_mask,background_color='white').generate(cut_strs)  # 指定显示字体避免中文乱码
word_cloud.to_file(path+'lagou_algorithm_wordcloud.jpg') # 存储图片
plt.imshow(word_cloud)
plt.show()
复制代码

这里词云背景指定为中国地图：

公司福利词云最终效果图：

总结：

​ 本文面向新手，文中不可避免有一些设置不合理的问题（数据量过少、工资取平均值表明不了实际状况），但仍是能够从必定程度上反映出这个岗位的待遇和工资水平。

工资绝大部分集中在 2万到3万之间真的是至关高了。不过要求也不低，在多年的工做经验要求下，依然要求硕士毕业学历的公司依然占比 33%。相信过不了多久，本科和硕士的学历要求占比就会换一下位置了。五(六)险一金是开的最多的福利待遇，算是公司准则了。如今公司都流行用弹性工做、氛围什么的精神福利来招人了么。

全部源代码及地图素材：github.com/zhangzhe532…

注：

文章主要参考：

• Python Data Science Handbook（Python数据科学手册）
• pandas API 文档：pandas.pydata.org/pandas-docs…
• 可视化WordCloud: www.jianshu.com/p/daa54db90…
• matplotlib中文乱码问题 ：www.cnblogs.com/hhh5460/p/4…

网站反爬机制突飞猛进，因此本文有较强的时效性，没法保证您在实践时是否还可行.

全部数据、操做仅做学习交流，不会用于商业用途。