新手向- 爬取分析拉勾网招聘信息
[TOC] 爱写bug（ID：icodebugs） 作者：爱写bug 前言： 看了很多网站，只发现获取拉勾网招聘信息是只用post方式就可以得到，应当是非常简单了。推荐刚接触数据分析和爬虫的朋友试一下。 在python3.7、acaconda3环境下运行通过 数据爬取篇： 1、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。 然后在拉勾网搜索关键词 算法工程师 回车，然后点击下一页、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）应当如下图（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 就会增加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= 当然搜索关键词是中文的话一定要 unicode 转码。这里我们以关键字为算法工程师，地区为全国 为例，所以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= 根据图中 Request Headers 构造请求头伪造成浏览器访问： 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=" } 然后根据图中 Form Data来构造表单，只有pn表示的当前所在页数需要不断改变，所以 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' } 然后试一下： request=requests.post(url,data=form_data,headers=headers) print(request.text) 但是尴尬的是这个时候post请求获得的回复是： {"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"182.245.65.138","state":2402} 由于该网站的反爬措施，此时无论把请求头构造的多好都没用，哪怕用本地的Cookie。 所以我们采用 Seesion 对话方式： s = requests.Session() # 创建一个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) 连接成功！ 2、获取招聘数据 然后解析返回的 json 对象。我们先在开发者工具里把 PositionAjax 项的 Headers 改到 Preview 看一下Chrome帮我们格式化好的 json 内容： 出现了，我们想要的数据 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。可以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。由于时间关系，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'])#融资情况 job_info.append(job['district'])#位置 job_info.append(job['positionName'])#职位 job_info.append(job['workYear'])#工作经验要求 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)#把所有职位情况添加到网页信息page_info return company_info 我们就把每个公司的各类招聘情况存储在 company_info 里了。 最后把所有 company_info 汇总在一起： result = parse_page(job_json) all_company += result # 所有公司招聘信息汇在一起 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') 数据图片： 数据分析篇： 1、数据清洗： 我们获得的数据都是以字符串形式存储的，而且像工资（20k—30k）、工作经验（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，工作经验4年）。另外像工作经验 不限、应届毕业生等，我们应该把该公司要求年限 改为0。 pattern = '\d+' # 正则表达式-匹配连续数字 # 统计每个公司的平均经验要求 lagou_data['平均经验'] = lagou_data['经验'].str.findall( pattern) # findall查找所有['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，既工作经验为不限、应届毕业生等,即没有工作经验要求 avg_work_year.append(0) else: # 匹配的是两个数值的工作经验区间 几年到几年，， year_list = [int(j) for j in i] # 得到每一个数转为int型 avg_year = sum(year_list)/2 # 求工作区间的平均值，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 存储的csv文件（你需要先存到本地才能看得到）会多两列 平均经验 和 平均工资： 2、数据可视化： 由于本篇为基础篇只画两个最简单的图且不做过多渲染美化，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，其他并没有什么坑，所以不做过多描述。 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 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() 平均工作经验要求直方图（代码与上面相似，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() 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，所以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 # 连接所有字符串 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() 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、工资取平均值代表不了实际情况），但还是可以从一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3万之间真的是相当高了。不过要求也不低，在多年的工作经验要求下，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。现在公司都流行用弹性工作、氛围什么的精神福利来招人了么。 所有源代码及地图素材：https://github.com/zhangzhe532/icodebugs/tree/master/DataAnalysis/lagou_data_Analysis 注： 文章主要参考： Python Data Science Handbook（Python数据科学手册） pandas API 文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html 可视化WordCloud: https://www.jianshu.com/p/daa54db9045d matplotlib中文乱码问题 ：https://www.cnblogs.com/hhh5460/p/4323985.html 网站反爬机制日新月异，所以本文有较强的时效性，无法保证您在实践时是否还可行. 所有数据、操作仅作学习交流，不会用于商业用途。
