Python数据可视化：浅谈数据分析岗

2019 年 10 月 8 日
筆記

作者 | 法纳斯特

来源 | 法纳斯特

讲道理，pyspider确实是一款优秀的爬虫框架，我们可以利用它快速方便地实现一个页面的抓取。

不过带来便捷性的同时，也有它的局限性，复杂页面不好爬取。

在本次的数据爬取中，BOSS直聘是成功使用pyspider。但拉勾网却不行，因为拉勾网的数据是Ajax加载的。

拉勾网岗位数据请求的网址是不变的，改变的是表单数据，表单数据随着页数改变，请求方式为POST。这里没办法在pyspider里用循环遍历来获取每一页的数据。

也许是我对pyspider框架了解的不够，还达不到得心应手。所以最后拉勾网的爬取，采用平常的办法，在PyCharm中自行编写程序。

本次通过对BOSS直聘，拉勾网数据分析岗数据分析，了解数据分析岗的行业情况，也以此来了解从事数据分析所需要的技能。

/ 01 / 网页分析

获取BOSS直聘索引页信息，主要是岗位名称、薪资、地点、工作年限、学历要求，公司名称、类型、状态、规模。

本来一开始是想对详情页分析的，还可以获取详情页里的工作内容和工作技能需求。

然后由于请求太多，就放弃了。索引页有10页，1页有30个岗位，一个详情页就需要一个请求，算起来一共有300个请求。

我是到了第2页(60个请求)，就出现了访问过于频繁的警告。

而只获取索引页信息的话，只有10个请求，基本上没什么问题，外加也不想去鼓捣代理IP，所以来点简单的。

到时候做数据挖掘岗位的数据时，看看放慢时间能否获取成功。

获取拉勾网索引页信息，主要是岗位名称、地点、薪资、工作年限、学历要求，公司名称、类型、状态、规模，工作技能，工作福利。

网页为Ajax请求，采用PyCharm编写代码，轻车熟路。

/ 02 / 数据获取

01 pyspider获取BOSS直聘数据

pyspider的安装很简单，直接在命令行pip3 install pyspider即可。

这里因为之前没有安装pyspider对接的PhantomJS(处理JavaScript渲染的页面)。

所以需要从网站下载下来它的exe文件，将其放入Python的exe文件所在的文件夹下。

最后在命令行输入pyspider all，即可运行pyspider。

在浏览器打开网址http://localhost:5000/，创建项目，添加项目名称，输入请求网址，得到如下图。

最后在pyspider的脚本编辑器里编写代码，结合左边的反馈情况，对代码加以改正。

脚本编辑器具体代码如下。

#!/usr/bin/env python  # -*- encoding: utf-8 -*-  # Project: BOSS    from pyspider.libs.base_handler import *  import pymysql  import random  import time  import re    count = 0    class Handler(BaseHandler):      # 添加请求头,否则出现403报错      crawl_config = {'headers': {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}}        def __init__(self):          # 连接数据库          self.db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='boss_job', charset='utf8mb4')        def add_Mysql(self, id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people):          # 将数据写入数据库中          try:              cursor = self.db.cursor()              sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people);              print(sql)              cursor.execute(sql)              print(cursor.lastrowid)              self.db.commit()          except Exception as e:              print(e)              self.db.rollback()        @every(minutes=24 * 60)      def on_start(self):          # 因为pyspider默认是HTTP请求,对于HTTPS(加密)请求，需要添加validate_cert=False,否则599/SSL报错          self.crawl('https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&scity=100010000&industry=&position=', callback=self.index_page, validate_cert=False)        @config(age=10 * 24 * 60 * 60)      def index_page(self, response):          time.sleep(random.randint(2, 5))          for i in response.doc('li > div').items():              # 设置全局变量              global count              count += 1              # 岗位名称              job_title = i('.job-title').text()              print(job_title)              # 岗位薪水              job_salary = i('.red').text()              print(job_salary)              # 岗位地点              city_result = re.search('(.*?)<em class=', i('.info-primary > p').html())              job_city = city_result.group(1).split(' ')[0]              print(job_city)              # 岗位经验              experience_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-primary > p').html())              job_experience = experience_result.group(1)              print(job_experience)              # 岗位学历              job_education = i('.info-primary > p').text().replace(' ', '').replace(city_result.group(1).replace(' ', ''), '').replace(experience_result.group(1).replace(' ', ''),'')              print(job_education)              # 公司名称              company_name = i('.info-company a').text()              print(company_name)              # 公司类型              company_type_result = re.search('(.*?)<em class=', i('.info-company p').html())              company_type = company_type_result.group(1)              print(company_type)              # 公司状态              company_status_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-company p').html())              if company_status_result:                  company_status = company_status_result.group(1)              else:                  company_status = '无信息'              print(company_status)              # 公司规模              company_people = i('.info-company p').text().replace(company_type, '').replace(company_status,'')              print(company_people + 'n')              # 写入数据库中              self.add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people)          # 获取下一页信息          next = response.doc('.next').attr.href          if next != 'javascript:;':              self.crawl(next, callback=self.index_page, validate_cert=False)          else:              print("The Work is Done")          # 详情页信息获取,由于访问次数有限制,不使用          #for each in response.doc('.name > a').items():              #url = each.attr.href              #self.crawl(each.attr.href, callback=self.detail_page, validate_cert=False)        @config(priority=2)      def detail_page(self, response):          # 详情页信息获取,由于访问次数有限制,不使用          message_job = response.doc('div > .info-primary > p').text()          city_result = re.findall('城市：(.*?)经验', message_job)          experience_result = re.findall('经验：(.*?)学历', message_job)          education_result = re.findall('学历：(.*)', message_job)            message_company = response.doc('.info-company > p').text().replace(response.doc('.info-company > p > a').text(),'')          status_result = re.findall('(.*?)d', message_company.split(' ')[0])          people_result = message_company.split(' ')[0].replace(status_result[0], '')            return {              "job_title": response.doc('h1').text(),              "job_salary": response.doc('.info-primary .badge').text(),              "job_city": city_result[0],              "job_experience": experience_result[0],              "job_education": education_result[0],              "job_skills": response.doc('.info-primary > .job-tags > span').text(),              "job_detail": response.doc('div').filter('.text').eq(0).text().replace('n', ''),              "company_name": response.doc('.info-company > .name > a').text(),              "company_status": status_result[0],              "company_people": people_result,              "company_type": response.doc('.info-company > p > a').text(),          }

获取BOSS直聘数据分析岗数据如下。

02 PyCharm获取拉勾网数据

import requests  import pymysql  import random  import time  import json    count = 0  # 设置请求网址及请求头参数  url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'  headers = {      'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',      'Cookie': '你的Cookie值',      'Accept': 'application/json, text/javascript, */*; q=0.01',      'Connection': 'keep-alive',      'Host': 'www.lagou.com',      'Origin': 'https://www.lagou.com',      'Referer': 'ttps://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=sug&fromSearch=true&suginput=shuju'  }    # 连接数据库  db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='lagou_job', charset='utf8mb4')      def add_Mysql(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare):      # 将数据写入数据库中      try:          cursor = db.cursor()          sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare);          print(sql)          cursor.execute(sql)          print(cursor.lastrowid)          db.commit()      except Exception as e:          print(e)          db.rollback()      def get_message():      for i in range(1, 31):          print('第' + str(i) + '页')          time.sleep(random.randint(10, 20))          data = {              'first': 'false',              'pn': i,              'kd': '数据分析'          }          response = requests.post(url=url, data=data, headers=headers)          result = json.loads(response.text)          job_messages = result['content']['positionResult']['result']          for job in job_messages:              global count              count += 1              # 岗位名称              job_title = job['positionName']              print(job_title)              # 岗位薪水              job_salary = job['salary']              print(job_salary)              # 岗位地点              job_city = job['city']              print(job_city)              # 岗位经验              job_experience = job['workYear']              print(job_experience)              # 岗位学历              job_education = job['education']              print(job_education)              # 公司名称              company_name = job['companyShortName']              print(company_name)              # 公司类型              company_type = job['industryField']              print(company_type)              # 公司状态              company_status = job['financeStage']              print(company_status)              # 公司规模              company_people = job['companySize']              print(company_people)              # 工作技能              if len(job['positionLables']) > 0:                  job_tips = ','.join(job['positionLables'])              else:                  job_tips = 'None'              print(job_tips)              # 工作福利              job_welfare = job['positionAdvantage']              print(job_welfare + 'nn')              # 写入数据库              add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare)      if __name__ == '__main__':      get_message()

获取拉勾网数据分析岗数据如下。