前言
利用requests爬取拉勾网求职信息数据分析与可视化，废话不多说。
让我们愉快地开始吧~
开发工具
**Python版本：**3.6.4
相关模块：
requests模块；
re模块；
os模块
jieba模块；
pandas模块
numpy模块
pyecharts模块；
以及一些Python自带的模块。
环境搭建
安装Python并添加到环境变量，pip安装需要的相关模块即可。
数据爬取
爬取拉勾网求职信息
1.requests 请求，获取单页面
# 我们最常用的流程：网页上复制url->发送get请求—>打印页面内容->分析抓取数据 # 1.获取拉钩网url req_url = '/jobs/list_python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput=' # 2.发送get请求 req_result = requests.get(req_url) # 3.打印请求结果 print(req_result.text)
输出结果如下
<html> <head><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="renderer" content="webkit"><meta http-equiv="Content-Type" content="text/html; charset=utf-8"> </head> <script type="text/javascript" src="/utrack/trackMid.js?version=1.0.0.3&t=1529144464"></script> <body> <input type="hidden" id="KEY" value="VAfyhYrvroX6vLr5S9WNrP16ruYI6aYOZIwLSgdqTWc"/> <script type="text/javascript">HZRxWevI();</script>é?μé?￠?? è????-... <script type="text/javascript" src="/upload/oss.js"></script> </body></html>
上述结果我们可以看出与我们想象的还是差别很大。
为什么会出现以上这种情况呢，其实很简单，因为它并不是简单的静态页面,我们知道请求方式有get和post请求两种基本区别如下
(1)Get是向服务器发索取数据的一种请求；而Post是向服务器提交数据的一种请求，要提交的数据位 于信息头后面的实体中。GET和POST只是发送机制不同，并不是一个取一个发. (2)GET请求时其发送的信息是以url明文发送的，其参数会被保存在浏览器历史或web服务器中， 而post则不会某（这也是后面我们翻页的时候发现拉勾网翻页时 浏览器 url栏地址没有变化的原因。）
2.分析页面加载，找到数据
1.请求分析
在拉钩网首页,按F12进入开发者模式，然后在查询框中输入python,点击搜索,经过我的查找，终于找到了页面上职位信息所在的页面，的确是一个post请求，而且页面返回内容为一个json格式的字典。
2.返回数据内容分析
页面上：我们主要获取7个数据（公司|城市|职位|薪资|学历要求|工作经验|职位优点）
json数据中：我把爬下来的json数据整理了一下，如下图
我们会发现，我们需要的数据全在req_info['content']['positionResult']['result']里面，为一个列表，而且还包含许多其他的信息，本次我们不关心其他数据。我们所需要数据如下图框
3.添加headers 信息，模仿浏览器请求
通过上面的请求分析我们可以找到post请求的网址为：/jobs/positionAjax.json?needAddtionalResult=false,如果此时我们直接发送post请求，会提示如下代码：
{'success': False, 'msg': '您操作太频繁,请稍后再访问', 'clientIp': '122.xxx.xxx.xxx'}
出现这种提示的原因是，我们直接post访问url,服务器会把我们误认为‘机器人’，这也是一种反爬，解决方法很简单，加一个请求头即可完全模拟浏览器请求，请求头获取见下图
4.解析页面，实现翻页爬取
分析发现下面规律：
在post请求中，有个请求参数->表单数据，包含三个参数first、kd、pn,通过动图演示，我们不难猜出其含义
data = {'first':'true', # 是不是第一页，false表示不是，true 表示是 'kd':'Python', # 搜索关键字 'pn':1 # 页码}
代码
import requests\# 1. post 请求的 url\req_url = '/jobs/positionAjax.json?needAddtionalResult=false'\# 2. 请求头 headers\headers = {'你的请求头'}\# 3. for 循环请求\for i in range(1,31):\data = {'first':'false','kd':'Python','pn':i} \# 3.1 requests 发送请求\req_result = requests.post(req_url,headers = headers,data = data) req_result.encoding = 'utf-8'\# 3.2 获取数据\req_info = req_result.json() \# 打印出获取到的数据\print(req_info)
5.爬取数据存入csv文件
def file_do(list_info): # 获取文件大小 file_size = os.path.getsize(r'G:\lagou_test.csv') \if file_size == 0: \# 表头 name = ['公司','城市','职位','薪资','学历要求','工作经验','职位优点'] \# 建立DataFrame对象 file_test = pd.DataFrame(columns=name, data=list_info) \# 数据写入 file_test.to_csv(r'G:\lagou_test.csv', encoding='gbk',index=False) \else: \with open(r'G:\lagou_test.csv','a+',newline='') as file_test : # 追加到文件后面 writer = csv.writer(file_test)\# 写入文件 writer.writerows(list_info)
展示爬取的数据
数据可视化
数据分析+pyechart数据可视化
薪资分布分析
# 薪资分析，下面的几个都是柱状图，和这个地方分析一样# 统计各个城市出现次数salary_lists = {}for x in city: salary_lists[x] = salary.count(x) key = [] values = []for k,v in salary_lists.items(): key.append(k) values.append(v) bar2 = Bar('求职信息数据化','需求量',page_title='薪资分布')# 图表其他主题：vintage,macarons,infographic,shine，romabar2.use_theme('vintage') bar2.add('薪资',key,values,is_more_utils = True,is_datazoom_show = True,xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=30) bar2.render()
我们可以看到，python的薪资基本都是10k起步，大部分公司给出薪资在10k-40k之间，所以，不要怕学python吃不到饭。
2.工作地点分析
通过图表，我们很容易看出，需要python程序员的公司大多分布在北京、上海、深圳，再后面就是广州了，所以，学python的同学千万不要去错城市哦。
3.职位学历要求
根据图表显示，python程序员的学历要求并不高，主要是本科，虽然学历要求不高，但一定要有思辨能力哦。
4.工作经验要求
主要是需要3-5年工作经验的同学，不老也不年轻，成熟稳重，又能学新东西的年龄，招聘公司真聪明。
5.工作职位研究方向分析
6.工作福利优点分析
# 福利关键词分析content = ''# 连接所有公司福利介绍for x in positionAdvantage: content = content + x# 去除多余字符content = re.sub('[,、（），1234567890；;&%$#@!~_=+]', '', content)# jieba 切词，pandas、numpy计数segment = jieba.lcut(content) words_df = pd.DataFrame({'segment': segment}) words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数": numpy.size}) words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False) test = words_stat.head(1000).values# 制作词云图\codes = [test[i][0] for i in range(0,len(test))] counts = [test[i][1] for i in range(0,len(test))] wordcloud = WordCloud(width=1300, height=620,page_title='福利关键词') wordcloud.add("福利关键词", codes, counts, word_size_range=[20, 100]) wordcloud.render()
