都说 Python 赶超 Java，爬取拉勾网数据发现它的薪资已高至 50K！
人工智能的快速发展以及大数据时代的来临，使得 Python 语言不仅在人工智能领域大放异彩，在数据处理上也有着得天独厚的优势，在 Web 开发、网络编程、自动化运维、游戏开发、金融等领域扮演着越来越重要的角色。 百度搜索指数表明，2017 年 7 月份开始，Python 的搜索指数已经超过了 Java。Python 语言的热门由此可见一斑。 本文中，笔者决定在拉勾网（一家为互联网从业者提供工作机会的招聘网站）上爬取相关 Python 职位信息，对职位数据（薪酬、学历要求、区域信息、工作经验等）进行图形可视化分析。 01 前期准备 1、网页分析 打开拉勾网网站搜索 Python，可以发现每页有 15 条职位信息数据，最多有 30 页数据可以查看，共 450 条职位信息。我们需要获取的信息包括：职位、公司名称、薪酬范围、所在区域、学历要求、工作经验、公司融资情况、公司人数、工作要求描述。 2、请求数据分析 通过 Chrome 浏览器访问拉勾网，打开 Console 控制台可以发现，当进行翻页的时候，是通过 xhr 的请求方式请求的。通过观察，我们可以发现，URL 里面的 city 代表的是城市，post 参数 kd 代表的是搜索的职位，pn 是 page number，表示页码。 3、职位列表JSON返回数据的分析获取 通过 JSON 库进行数据的解析，获取相关信息。需要注意的是，我们需要记得保留 positionID，用于下一步获取工作描述信息。 def get_lagou(page,city,kd): url = "https://www.lagou.com/jobs/positionAjax.json" querystring = {"px": "new", "city": city, "needAddtionalResult": "false", "isSchoolJob": "0"} payload = "first=false&pn=" + str(page) + "&kd="+str(kd) cookie = "JSESSIONID=" + get_uuid() + ";"\ "user_trace_token=" + get_uuid() + "; LGUID=" + get_uuid() + "; index_location_city=%E6%88%90%E9%83%BD; " \ "SEARCH_ID=" + get_uuid() + '; _gid=GA1.2.717841549.1514043316; ' \ '_ga=GA1.2.952298646.1514043316; ' \ 'LGSID=' + get_uuid() + "; " \ "LGRID=" + get_uuid() + "; " headers = {'cookie': cookie,'origin': "https://www.lagou.com",'x-anit-forge-code': "0",'accept-encoding': "gzip, deflate, br",'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",'user-agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",'content-type': "application/x-www-form-urlencoded; charset=UTF-8",'accept': "application/json, text/javascript, */*; q=0.01",'referer': "https://www.lagou.com/jobs/list_Java?px=new&city=%E6%88%90%E9%83%BD",'x-requested-with': "XMLHttpRequest",'connection': "keep-alive",'x-anit-forge-token': "None",'cache-control': "no-cache",'postman-token': "91beb456-8dd9-0390-a3a5-64ff3936fa63"} response = requests.request("POST", url, data=payload.encode('utf-8'), headers=headers, params=querystring) # print(response.text) hjson = json.loads(response.text) for i in range(15): positionName=hjson['content']['positionResult']['result'][i]['positionName'] companyId = hjson['content']['positionResult']['result'][i]['companyId'] positionId= hjson['content']['positionResult']['result'][i]['positionId'] salary = hjson['content']['positionResult']['result'][i]['salary'] city= hjson['content']['positionResult']['result'][i]['city'] district= hjson['content']['positionResult']['result'][i]['district'] companyShortName= hjson['content']['positionResult']['result'][i]['companyShortName'] education= hjson['content']['positionResult']['result'][i]['education'] workYear= hjson['content']['positionResult']['result'][i]['workYear'] industryField= hjson['content']['positionResult']['result'][i]['industryField'] financeStage= hjson['content']['positionResult']['result'][i]['financeStage'] companySize= hjson['content']['positionResult']['result'][i]['companySize'] job_desc = get_job_desc(positionId) positionName_list.append(positionName) salary_list.append(salary) city_list.append(city) district_list.append(district) companyShortName_list.append(companyShortName) education_list.append(education) workYear_list.append(workYear) industryField_list.append(industryField) financeStage_list.append(financeStage) companySize_list.append(companySize) #job_desc_list.append(job_desc) 4、获取工作信息描述 通过观察发现，打开具体职位的详细页面时，URL 里面的数值（例如下图的 URL 里面的 4789029）就是职位的 positionID，该 positionID 可以通过上一步的职位列表 JSON 返回数据获取。 通过 requests 请求页面信息，再通过 xpath 获取工作描述信息。 def get_job_desc(id): url = "https://www.lagou.com/jobs/"+str(id)+".html" cookie = "JSESSIONID=" + get_uuid() + ";"\"user_trace_token=" + get_uuid() + "; LGUID=" + get_uuid() + "; index_location_city=%E6%88%90%E9%83%BD; " \"SEARCH_ID=" + get_uuid() + '; _gid=GA1.2.717841549.1514043316; ' \'_ga=GA1.2.952298646.1514043316; ' \'LGSID=' + get_uuid() + "; " \"LGRID=" + get_uuid() + "; " headers = {'cookie': cookie,'origin': "https://www.lagou.com",'x-anit-forge-code': "0",'accept-encoding': "gzip, deflate, br",'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",'user-agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",'content-type': "application/x-www-form-urlencoded; charset=UTF-8",'accept': "application/json, text/javascript, */*; q=0.01",'referer': "https://www.lagou.com/jobs/list_Java?px=new&city=%E6%88%90%E9%83%BD",'x-requested-with': "XMLHttpRequest",'connection': "keep-alive",'x-anit-forge-token': "None",'cache-control': "no-cache",'postman-token': "91beb456-8dd9-0390-a3a5-64ff3936fa63"} response = requests.request("GET", url, headers=headers)x = etree.HTML(response.text) data = x.xpath('//*[@id="job_detail"]/dd[2]/div/*/text()')return ''.join(data) 02 数据获取 —— 爬虫 1、设置 cookies 和 headers 如果不设置相关信息，会不允许爬取，返回提示：“您操作太频繁,请稍后再访问”。所以，我们需要设置 headers 和 cookies 信息。 def get_lagou(page,city,kd): url = "https://www.lagou.com/jobs/positionAjax.json" querystring = {"px": "new", "city": city, "needAddtionalResult": "false", "isSchoolJob": "0"} payload = "first=false&pn=" + str(page) + "&kd="+str(kd) cookie = "JSESSIONID=" + get_uuid() + ";"\"user_trace_token=" + get_uuid() + "; LGUID=" + get_uuid() + "; index_location_city=%E6%88%90%E9%83%BD; " \"SEARCH_ID=" + get_uuid() + '; _gid=GA1.2.717841549.1514043316; ' \'_ga=GA1.2.952298646.1514043316; ' \'LGSID=' + get_uuid() + "; " \"LGRID=" + get_uuid() + "; " headers = {'cookie': cookie,'origin': "https://www.lagou.com",'x-anit-forge-code': "0",'accept-encoding': "gzip, deflate, br",'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",'user-agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36",'content-type': "application/x-www-form-urlencoded; charset=UTF-8",'accept': "application/json, text/javascript, */*; q=0.01",'referer': "https://www.lagou.com/jobs/list_Java?px=new&city=%E6%88%90%E9%83%BD",'x-requested-with': "XMLHttpRequest",'connection': "keep-alive",'x-anit-forge-token': "None",'cache-control': "no-cache",'postman-token': "91beb456-8dd9-0390-a3a5-64ff3936fa63"} 2、延时设置和分页爬取 避免爬取速度过快被封，设置延时时间为 3-5 秒。通过 for 循环进行分页数据的爬取。 def main(pages,city,job):for n in range(1, pages+1): get_lagou(n,city,job) time.sleep(round(random.uniform(3, 5), 2)) write_to_csv(city,job) 03 数据存储与处理 1、CSV 数据存储 由于数据量不大，最多 450 条数据，采用 CSV 的存储方式。 2、数据处理 ●薪酬数据处理 后续统计月薪的占比，由于薪酬范围是可以自定义范围，没有一个统一的标准。例如薪酬可以是 10k-20k、5k-8k、11k-18k、10k-16k 等情况，后续不利于薪酬范围的可视化，所以将薪酬归纳分类到这几种：2k 以下、2k-5k、5k-10k、10k-15k、15k-25k、25k-50k、50k 以上。 假如薪酬为 10k-20k, 则认为在 10k-15k、15k-25k 这两种归类里面都包含。采用正则表达式进行归类汇总： def salary_categorize(salarys): dict = {'2k以下': 0, '2k-5k': 0, '5k-10k': 0,'10k-15k':0,'15k-25k':0,'25k-50k':0,'50k以上':0} for salary in salarys: if re.match('^[0-1]k-*|.*-[0-1]k$',salary)!=None: dict['2k以下'] += 1 if re.match('^[2-4]k-*|.*-[2-4]k$',salary)!=None: dict['2k-5k'] += 1 if re.match('^[5-9]k-*|.*-[5-9]k$', salary)!=None: dict['5k-10k'] += 1 if re.match('^1[0-4]k-*|.*-1[0-4]k$', salary)!=None: dict['10k-15k'] += 1 if re.match('^1[5-9]k-*|^2[0-4]k-*|.*-1[5-9]k$|.*-2[0-4]k$', salary)!=None: dict['15k-25k'] += 1 if re.match('^2[5-9]k-*|^[3-4][0-9]k-*|.*-2[5-9]k$|.*-[3-4][0-9]k$', salary)!=None: dict['25k-50k'] += 1 if re.match('^[5-9][0-9]k-*|.*-[5-9][0-9]k$|^\d{3,}k-*|.*-\d{3,}k$', salary)!=None: dict['50k以上'] += 1 return dict ●行业信息处理 公司所属行业可以是多个，一般以逗号分隔，但存在部分是以顿号和空格分隔的情况，还有可能存在没有写明相关行业的情况。对此，通过 Python 的 re 库可以处理多个分隔符分隔的数据，所属行业为空，则跳过。 def industryField_counts(csv_file): industryFields = [] d = pd.read_csv(csv_file, engine='python', encoding='utf-8') info = d['industryField'] for i in range(len(info)): try: data = re.split('[,、 ]',info[i]) except: continue for j in range(len(data)): industryFields.append(data[j]) counts = Counter(industryFields) return counts 04 数据可视化与解读 1、公司相关情况分析 从行业情况和公司规模来看，移动互联网占有 40% 的需求，数据服务+大数据+人工智能占了 10% 的比例。Python 非常强大，适合的领域包括 Web 开发、网络编程、爬虫、云计算、人工智能、自动化运维等，所以不管公司规模是大还是小，融资情况如何，都普遍需要 Python 相关的职位的人才。 2、城市需求分析 从上图分析，可以发现，需求量主要集中在中国三大经济圈：京津冀，长三角，珠三角。主要分布在北京（40%）、上海（16%）、深圳（15%）、广州（6%）、成都（6%）和杭州（6%）这 6 个城市。而北京的互联网创业气氛冠绝中国，注册在北京的互联网公司远远高于在其他城市的公司，需求量也是最大的。 3、薪酬与工作经验分析 从工作经验的要求来看，大部分集中在 3-5 年和 1-3 年这两个区间，至于工作经验和薪酬之间的相关性，观察发现，1-3 年工作经验的薪酬普遍在 15-25K，符合正态分布的规律，3-5 年工作经验的薪酬普遍在 15k-25k 和 25k-50k 这两个区间，以 15k-25k 这个区间的居多。达到 5-10 年工作经验的，薪酬在 25k-50K 这个区间的居多。 4、学历要求和工作经验分析 从学历要求来看，大部分都要求至少本科以上，这部分占了约 80% 的比例。所以不要在相信读书无用论这种观点了，学历至少是工作的敲门砖。 工作经验上，普遍要求是 1-5 年，这部分占了 84% 的比例。1年以下和经验不限的，占了约 9%，5-10 年的占了约 7% 的比例。 05 总结 TIOBE 8 月编程语言指数排行榜已经公布了，排名前三的虽然依旧是 Java、C、C++。但 Python 非常接近 TIOBE 索引的前 3 位。Python 这样的上涨趋势，同样可以在 TIOBE 索引排行中体现，互联网业界也开始普遍采用 Python。Python 编程语言最初是 Perl 的继承者，用于编写构建脚本和各种粘合软件。但后来逐渐进入其他领域。如今，在大型嵌入式系统中运行 Python 是很常见的。因此，Python 完全有可能进入前三名，甚至在未来取代 Java 成为新的第一名。 从目前 Python 的就业前景来看，总结如下： ●Python 就业情况乐观，从 TIOBE 8 月编程语言指数排行榜以及百度指数的搜索数来看，Python 的受欢迎程度越来越高。 ●在中国地区，Python 相关职位的需求量，依然集中在三大经济圈，特别是在北京、上海、深圳这几个城市。从行业需求来看，主要集中在移动互联网、数据服务、大数据分析等行业。 ●从拉勾网的数据分析可知，大部分 Python 的相关职位都要求在本科和本科以上，工作经验要求在 1-5 年的居多。因为 Python 在大数据和人工智能领域的爆发性发展， 导致 Python 方向岗位的薪水在水涨船高，从数据分析来看，月薪在 10K-50K 不等。 原文发布时间为：2018-09-3 本文作者：lowelong 本文来自云栖社区合作伙伴“CDA数据分析师”，了解相关信息可以关注“CDA数据分析师”。
