Python3 爬虫实战 — 前程无忧招聘信息爬取 + 数据可视化
- 爬取时间：2020-07-11
- 实现目标：根据用户输入的关键字爬取相关职位信息存入 MongoDB，读取数据进行可视化展现。
- 涉及知识：请求库 requests、Xpath 语法、数据库 MongoDB、数据处理 Numpy、Pandas、数据可视化 Matplotlib。
- 完整代码：https://github.com/TRHX/Python3-Spider-Practice/tree/master/51job
- 其余爬虫实战代码合集（持续更新）：https://github.com/TRHX/Python3-Spider-Practice
- 爬虫实战专栏（持续更新）：https://itrhx.blog.csdn.net/article/category/9351278
文章目录
【1x00】获取数据 get_51job_data.py
【01x01】构建请求地址
以 Python 职位为例，请求地址以下：php
第一页：https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,1.htmlhtml
第二页：https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,2.htmlpython
第三页：https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,3.htmlgit
初始化函数：github
def __init__(self): self.base_url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,%s,2,%s.html' self.headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.13 Safari/537.36'} self.keyword = input('请输入关键字：')
【01x02】获取总页数
在页面的下方给出了该职位一共有多少页，使用 Xpath 和正则表达式提取里面的数字，方便后面翻页爬取使用，注意页面编码为 gbk。web
def tatal_url(self): url = self.base_url % (self.keyword, str(1)) response = requests.get(url=url, headers=self.headers) tree = etree.HTML(response.content.decode('gbk')) # 提取一共有多少页 text = tree.xpath("//div[@class='p_in']/span[1]/text()")[0] number = re.findall('[0-9]', text) number = int(''.join(number)) print('%s职位共有%d页' % (self.keyword, number)) return number
【01x03】提取详情页 URL
定义一个 detail_url() 方法，传入总页数，循环提取每一页职位详情页的 URL，将每个详情页 URL 传递给 parse_data() 方法，用于解析详情页内的具体职位信息。正则表达式
提取详情页时有如下几种特殊状况：mongodb
特殊状况一：若是有前程无忧本身公司的职位招聘信息掺杂在里面，他的详情页结构和普通的不同，页面编码也有差异。数据库
页面示例：https://51rz.51job.com/job.html?jobid=115980776json
页面真实数据请求地址相似于：https://coapi.51job.com/job_detail.php?jsoncallback=&key=&sign=params={“jobid”:""}
请求地址中的各参数值经过 js 加密：https://js.51jobcdn.com/in/js/2018/coapi/coapi.min.js
特殊状况二：部分公司有本身的专属页面，此类页面的结构也不一样于普通页面
页面示例：http://dali.51ideal.com/jobdetail.html?jobid=121746338
为了规范化，本次爬取将去掉这部分特殊页面，仅爬取 URL 带有 jobs.51job.com 的数据
def detail_url(self, number): for num in range(1, number+1): url = self.base_url % (self.keyword, str(num)) response = requests.get(url=url, headers=self.headers) tree = etree.HTML(response.content.decode('gbk')) detail_url1 = tree.xpath("//div[@class='dw_table']/div[@class='el']/p/span/a/@href") """ 深拷贝一个 url 列表，若是有连续的不知足要求的连接，若直接在原列表里面删除， 则会漏掉一些连接，由于每次删除后的索引已改变，所以在原列表中提取不符合元素 后，在深拷贝的列表里面进行删除。最后深拷贝的列表里面的元素均符合要求。 """ detail_url2 = copy.deepcopy(detail_url1) for url in detail_url1: if 'jobs.51job.com' not in url: detail_url2.remove(url) self.parse_data(detail_url2) print('第%d页数据爬取完毕！' % num) time.sleep(2) print('全部数据爬取完毕！')
【01x04】提取职位信息
解析详情页时页面编码是 gbk，可是某些页面在解析时仍然会报编码错误，所以使用 try-except 语句捕捉编码错误（UnicodeDecodeError），若是该页面有编码错误则直接 return 结束函数。
def parse_data(self, urls): """ position: 职位 wages: 工资 region: 地区 experience: 经验 education: 学历 need_people: 招聘人数 publish_date: 发布时间 english: 英语要求 welfare_tags: 福利标签 job_information: 职位信息 work_address: 上班地址 company_name: 公司名称 company_nature: 公司性质 company_scale: 公司规模 company_industry: 公司行业 company_information: 公司信息 """ for url in urls: response = requests.get(url=url, headers=self.headers) try: text = response.content.decode('gbk') except UnicodeDecodeError: return tree = etree.HTML(text) """ 提取内容时使用 join 方法将列表转为字符串，而不是直接使用索引取值， 这样作的好处是遇到某些没有的信息直接留空而不会报错 """ position = ''.join(tree.xpath("//div[@class='cn']/h1/text()")) wages = ''.join(tree.xpath("//div[@class='cn']/strong/text()")) # 经验、学历、招聘人数、发布时间等信息都在一个标签里面，逐一使用列表解析式提取 content = tree.xpath("//div[@class='cn']/p[2]/text()") content = [i.strip() for i in content] if content: region = content[0] else: region = '' experience = ''.join([i for i in content if '经验' in i]) education = ''.join([i for i in content if i in '本科大专应届生在校生硕士']) need_people = ''.join([i for i in content if '招' in i]) publish_date = ''.join([i for i in content if '发布' in i]) english = ''.join([i for i in content if '英语' in i]) welfare_tags = ','.join(tree.xpath("//div[@class='jtag']/div//text()")[1:-2]) job_information = ''.join(tree.xpath("//div[@class='bmsg job_msg inbox']/p//text()")).replace(' ', '') work_address = ''.join(tree.xpath("//div[@class='bmsg inbox']/p//text()")) company_name = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[1]/a/p/text()")) company_nature = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[1]//text()")) company_scale = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[2]//text()")) company_industry = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[3]/@title")) company_information = ''.join(tree.xpath("//div[@class='tmsg inbox']/text()")) job_data = [position, wages, region, experience, education, need_people, publish_date, english, welfare_tags, job_information, work_address, company_name, company_nature, company_scale, company_industry, company_information] save_mongodb(job_data)
【01x05】保存数据到 MongoDB
指定一个名为 job51_spider 的数据库和一个名为 data 的集合，依次将信息保存至 MongoDB。
def save_mongodb(data): client = pymongo.MongoClient(host='localhost', port=27017) db = client.job51_spider collection = db.data save_data = { '职位': data[0], '工资': data[1], '地区': data[2], '经验': data[3], '学历': data[4], '招聘人数': data[5], '发布时间': data[6], '英语要求': data[7], '福利标签': data[8], '职位信息': data[9], '上班地址': data[10], '公司名称': data[11], '公司性质': data[12], '公司规模': data[13], '公司行业': data[14], '公司信息': data[15] } collection.insert_one(save_data)
【2x00】数据可视化 draw_bar_chart.py
【02x01】数据初处理
从 MongoDB 里面读取数据为 DataFrame 对象，本次可视化只分析工资与经验、学历的关系，因此只取这三项，因为获取的数据有些是空白值，所以使用 replace 方法将空白值替换成缺失值（NaN），而后使用 DataFrame 对象的 dropna() 方法删除带有缺失值（NaN）的行。将工资使用 apply 方法，将每一个值应用于 wish_data 方法，即对每一个值进行清洗。
def processing_data(): # 链接数据库，从数据库读取数据（也能够导出后从文件中读取） client = pymongo.MongoClient(host='localhost', port=27017) db = client.job51_spider collection = db.data # 读取数据并转换为 DataFrame 对象 data = pd.DataFrame(list(collection.find())) data = data[['工资', '经验', '学历']] # 使用正则表达式选择空白的字段并填充为缺失值，而后删除带有缺失值的全部行 data.replace(to_replace=r'^\s*$', value=np.nan, regex=True, inplace=True) data = data.dropna() # 对工资数据进行清洗，处理后的工做单位：元/月 data['工资'] = data['工资'].apply(wish_data) return data
【02x02】数据清洗
def wish_data(wages_old): """ 数据清洗规则： 分为元/天，千(以上/下)/月，万(以上/下)/月，万(以上/下)/年 若数据是一个区间的，则求其平均值，最后的值统一单位为元/月 """ if '元/天' in wages_old: if '-' in wages_old.split('元')[0]: wages1 = wages_old.split('元')[0].split('-')[0] wages2 = wages_old.split('元')[0].split('-')[1] wages_new = (float(wages2) + float(wages1)) / 2 * 30 else: wages_new = float(wages_old.split('元')[0]) * 30 return wages_new elif '千/月' in wages_old or '千如下/月' in wages_old or '千以上/月' in wages_old: if '-' in wages_old.split('千')[0]: wages1 = wages_old.split('千')[0].split('-')[0] wages2 = wages_old.split('千')[0].split('-')[1] wages_new = (float(wages2) + float(wages1)) / 2 * 1000 else: wages_new = float(wages_old.split('千')[0]) * 1000 return wages_new elif '万/月' in wages_old or '万如下/月' in wages_old or '万以上/月' in wages_old: if '-' in wages_old.split('万')[0]: wages1 = wages_old.split('万')[0].split('-')[0] wages2 = wages_old.split('万')[0].split('-')[1] wages_new = (float(wages2) + float(wages1)) / 2 * 10000 else: wages_new = float(wages_old.split('万')[0]) * 10000 return wages_new elif '万/年' in wages_old or '万如下/年' in wages_old or '万以上/年' in wages_old: if '-' in wages_old.split('万')[0]: wages1 = wages_old.split('万')[0].split('-')[0] wages2 = wages_old.split('万')[0].split('-')[1] wages_new = (float(wages2) + float(wages1)) / 2 * 10000 / 12 else: wages_new = float(wages_old.split('万')[0]) * 10000 / 12 return wages_new
【02x03】绘制经验与平均薪资关系图
def wages_experience_chart(data): # 根据经验分类，求不一样经验对应的平均薪资 wages_experience = data.groupby('经验').mean() # 获取经验和薪资的值，将其做为画图的 x 和 y 数据 w = wages_experience['工资'].index.values e = wages_experience['工资'].values # 按照经验对数据从新进行排序，薪资转为 int 类型（也能够直接在前面对 DataFrame 按照薪资大小排序） wages = [w[6], w[1], w[2], w[3], w[4], w[5], w[0]] experience = [int(e[6]), int(e[1]), int(e[2]), int(e[3]), int(e[4]), int(e[5]), int(e[0])] # 绘制柱状图 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] plt.figure(figsize=(9, 6)) x = wages y = experience color = ['#E41A1C', '#377EB8', '#4DAF4A', '#984EA3', '#FF7F00', '#FFFF33', '#A65628'] plt.bar(x, y, color=color) for a, b in zip(x, y): plt.text(a, b, b, ha='center', va='bottom') plt.title('Python 相关职位经验与平均薪资关系', fontsize=13) plt.xlabel('经验', fontsize=13) plt.ylabel('平均薪资（元 / 月）', fontsize=13) plt.savefig('wages_experience_chart.png') plt.show()
【02x04】绘制学历与平均薪资关系图
def wages_education_chart(data): # 根据学历分类，求不一样学历对应的平均薪资 wages_education = data.groupby('学历').mean() # 获取学历和薪资的值，将其做为画图的 x 和 y 数据 wages = wages_education['工资'].index.values education = [int(i) for i in wages_education['工资'].values] # 绘制柱状图 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] plt.figure(figsize=(9, 6)) x = wages y = education color = ['#E41A1C', '#377EB8', '#4DAF4A'] plt.bar(x, y, color=color) for a, b in zip(x, y): plt.text(a, b, b, ha='center', va='bottom') plt.title('Python 相关职位学历与平均薪资关系', fontsize=13) plt.xlabel('学历', fontsize=13) plt.ylabel('平均薪资（元 / 月）', fontsize=13) plt.savefig('wages_education_chart.png') plt.show()
【3x00】数据截图
一共有 34009 条数据，完整数据已放在 github，可自行下载。
MongoDB：
CSV 文件：
JSON 文件：
【4x00】完整代码
完整代码地址（点亮 star 有 buff 加成）：https://github.com/TRHX/Python3-Spider-Practice/tree/master/51job
其余爬虫实战代码合集（持续更新）：https://github.com/TRHX/Python3-Spider-Practice
爬虫实战专栏（持续更新）：https://itrhx.blog.csdn.net/article/category/9351278