<a href="http://s1.51cto.com/wyfs02/M02/9E/82/wKioL1mSpyfBl1s_AAMvpJbtRcw697.jpg-wh_651x-s_1320620508.jpg" target="_blank"></a>
第一部分,資料分析職位資訊抓取
資料分析師的收入怎麼樣?哪些因素對于資料分析的薪資影響最大?哪些行業對資料分析人才的需求量最高?我想跳槽,應該選擇大公司大平台還是初創的小公司?按我目前的教育程度,工作經驗,和掌握的工具和技能,能獲得什麼樣水準的薪資呢?
我們使用python抓取了2017年6月26日拉鈎網站内搜尋“資料分析”關鍵詞下的450條職位資訊。通過對這些職位資訊的分析和模組化來給你答案。
<a href="http://s4.51cto.com/wyfs02/M02/9E/82/wKioL1mSp0Ti5kBeAALnK8AOyQc498.png" target="_blank"></a>
本系列文章共分為五個部分,分别是資料分析職位資訊抓取,資料清洗及預處理,資料分析職位需求分析,資料分析職位薪影響因素分析,以及資料分析職位薪資模組化及預測。這是第一篇:資料分析職位資訊抓取。
資料抓取前的準備工作
首先我們需要擷取職位資訊的資料,方法是使用python進行抓取。整個抓取過程分為兩部分,第一部分是抓取拉鈎清單頁中包含的職位資訊,例如職位名稱,薪資範圍,學曆要求,工作地點等。第二部分是抓取每個職位詳情頁中的任職資格和職位描述資訊。然後我們将使用結巴分詞和nltk對職位描述中的文字資訊進行處理和資訊提取。下面我們開始介紹每一步的操作過程。
首先,導入抓取和資料處理所需的庫檔案,這裡不再贅述。
#導入抓取所需庫檔案
import requests
import numpy as np
import pandas as pd
import json
import time
from bs4 import BeautifulSoup
然後設定頭部資訊和Cookie資訊。
#設定頭部資訊
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept':'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Connection':'close',
'Referer':'https://www.baidu.com/'
}
#設定Cookie資訊
cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA',
'__jda':'122270672.1507607632.1423495705.1479785414.1479794553.92',
'__jdb':'122270672.1.1507607632|92.1479794553',
'__jdc':'122270672',
'__jdu':'1507607632',
'__jdv':'122270672|direct|-|none|-|1478747025001',
'areaId':'1',
'cn':'0',
'ipLoc-djd':'1-72-2799-0',
'ipLocation':'%u5317%u4EAC',
'mx':'0_X',
'rkv':'V0800',
'user-key':'216123d5-4ed3-47b0-9289-12345',
'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'}
抓取職位清單資訊
設定要抓取的頁面URL,拉鈎的職位資訊清單是JS動态加載的,不在所顯示的頁面URL中。是以直接抓取清單頁并不能獲得職位資訊。這裡我們使用Chrome浏覽器裡的開發者工具進行查找。具體方法是在商品詳情頁點選滑鼠右鍵,選擇檢查,在彈出的開發者工具界面中選擇Network,設定為禁用緩存(Disable cache)和隻檢視XHR類型的請求。然後重新整理頁面。一共有4個請求,選擇包含positionAjax關鍵字的連結就是我們要抓取的URL位址。具體過程如下面截圖所示。
<a href="http://s4.51cto.com/wyfs02/M02/9E/93/wKiom1mSp5bSIZUFAAF0tsS2ZqU945.jpg" target="_blank"></a>
這裡有一個問題,要抓取的URL位址中隻有第一頁的15個職位資訊,并且URL參數中也沒有包含頁碼。而我們要抓取的是全部30多頁的職位清單。如何翻頁呢?後面我們将解決這個問題。
#設定抓取頁面的URL
url='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
職位清單中包含了多個職位相關的資訊,我們先建立一些空list用于存儲這些資訊。
#建立list用于存儲資料
positionName=[]
workYear=[]
education=[]
district=[]
jobNature=[]
salary=[]
city=[]
businessZones=[]
companyLabelList=[]
companySize=[]
financeStage=[]
industryField=[]
secondType=[]
positionId=[]
開始抓取清單頁中的職位資訊,建立一個30頁的循環然後将頁碼作為請求參數與頭部資訊和Cookie一起傳給伺服器。擷取傳回的資訊後對頁面内容進行解碼,然後從json資料中提取所需的職位資訊,并儲存在上一步建立的list中。用于後續的組表。這裡的最後一個資訊是職位id,也就是拉鈎職位詳情頁URL中的一部分。通過這個id我們可以生成與清單頁職位相對應的詳情頁URL。并從中提取任職資格和職位描述資訊。
#循環抓取清單頁資訊
for x in range(1,31):
#設定查詢關鍵詞及目前頁碼
para = {'first': 'true','pn': x, 'kd': "資料分析"}
#抓取清單頁資訊
r=requests.get(url=url,headers=headers,cookies=cookie,params=para)
#存儲bytes型頁面資料
html=r.content
#對頁面内容進行解碼
html = html.decode()
#将json串轉化為dict
html_json=json.loads(html)
#逐層擷取職位清單資訊
content=html_json.get('content')
positionResult=content.get('positionResult')
result=positionResult.get('result')
#循環提取職位清單中的關鍵資訊
for i in result:
#擷取職位名稱,工作年限,教育程度,城市及薪資範圍等資訊。
positionName.append(i.get('positionName'))
workYear.append(i.get('workYear'))
education.append(i.get('education'))
district.append(i.get('district'))
jobNature.append(i.get('jobNature'))
salary.append(i.get('salary'))
city.append(i.get('city'))
businessZones.append(i.get('businessZones'))
companyLabelList.append(i.get('companyLabelList'))
companySize.append(i.get('companySize'))
financeStage.append(i.get('financeStage'))
industryField.append(i.get('industryField'))
secondType.append(i.get('secondType'))
#擷取職位的Id編碼。
positionId.append(i.get('positionId'))
設定一個目前的日期字段,用于标記資料擷取的時間。
#設定日期字段
date=time.strftime('%Y-%m-%d',time.localtime(time.time()))
将前面抓取到的職位資訊,以及目前的日期一起組成Dataframe。便于後續的處理和分析。
#設定DataFrame表格順序
columns = ['date','positionName',
'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','d
istrict','secondType','positionId']
#将擷取到的字段資訊合并為DataFrame
table=pd.DataFrame({'date':date,
'positionName':positionName,
'workYear':workYear,
'education':education,
'jobNature':jobNature,
'businessZones':businessZones,
'salary':salary,
'city':city,
'companyLabelList':companyLabelList,
'companySize':companySize,
'financeStage':financeStage,
'industryField':industryField,
'district':district,
'secondType':secondType,
'positionId':positionId},
columns=columns)
檢視生成的資料表,其中包含了我們在清單頁中抓取的資訊,以及下一步要使用的職位id資訊。
#檢視資料表
table
<a href="http://s1.51cto.com/wyfs02/M00/9E/82/wKioL1mSqB_Qj63jAAEr12RKfAc664.jpg" target="_blank"></a>
這裡你可以儲存一個版本,也可以忽略這一步,繼續後面的職位詳情頁資訊抓取。
#存儲資料表
table.to_csv('lagou_' + date + '.csv')
抓取職位詳情資訊(職位描述)
抓取職位詳情頁的資訊,首先需要通過拼接生成職位詳情頁的URL。我們預先寫好URL的開始和結束部分,這兩部分是固定的,抓取過程中不會發生變化 ,中間動态填充職位的id。
#設定詳情頁的URL固定部分
url1='https://www.lagou.com/jobs/'
url2='.html'
建立一個list用于存儲抓取到的職位描述資訊。
#建立job_detail用于存儲職位描述
job_detail=[]
從前面抓取的職位id(positionId)字段循環提取每一個id資訊,與URL的另外兩部分組成要抓取的職位詳情頁URL。并從中提取職位描述資訊。這裡的職位資訊不是js動态加載的,是以直接抓取頁面資訊儲存在之前建立的list中就可以了。
#循環抓取詳情頁的職位描述
for d in positionId:
#更改positionId格式
d=str(d)
#拼接詳情頁URL
url3=(url1 + d + url2)
#抓取詳情頁資訊
r=requests.get(url=url3,headers=headers,cookies=cookie)
#存儲bytes型頁面資料yu
detail=r.content
#建立 beautifulsoup 對象
lagou_detail=BeautifulSoup(detail)
#提取職位描述資訊
gwzz=lagou_detail.find_all('dd',attrs={'class':'job_bt'})
for j in gwzz:
gwzz_text=j.get_text()
job_detail.append(gwzz_text)
檢視并檢查一下提取到的職位描述資訊。然後将職位描述資訊拼接到之前建立的Dataframe中。
#檢視職位描述資訊
job_detail
<a href="http://s3.51cto.com/wyfs02/M02/9E/94/wKiom1mSqG6RCR8BAAHvEUORd9I023.jpg" target="_blank"></a>
完整的職位抓取代碼
以下是完整的抓取代碼,步驟和前面介紹的略有不同,最後生成一個包含所有職位資訊和描述的完整資料表。用于下一步的資料清洗,預處理,分析和模組化的工作。
def lagou(p):
import requests
import numpy as np
import pandas as pd
import json
import time
from bs4 import BeautifulSoup
import jieba as jb
import jieba.analyse
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Referer':'https://www.jd.com/'
cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA',
'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'}
url='https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
positionName=[]
workYear=[]
education=[]
district=[]
jobNature=[]
salary=[]
city=[]
businessZones=[]
companyLabelList=[]
companySize=[]
financeStage=[]
industryField=[]
secondType=[]
positionId=[]
for x in range(1,31):
para = {'first': 'true','pn': x, 'kd': p}
positionId.append(i.get('positionId'))
url1='https://www.lagou.com/jobs/'
url2='.html'
job_detail=[]
for d in positionId:
d=str(d)
url3=(url1 + d + url2)
r=requests.get(url=url3,headers=headers,cookies=cookie)
detail=r.content
lagou_detail=BeautifulSoup(detail)
gwzz=lagou_detail.find_all('dd',attrs={'class':'job_bt'})
for j in gwzz:
gwzz_text=j.get_text()
job_detail.append(gwzz_text)
date=time.strftime('%Y-%m-%d',time.localtime(time.time()))
columns = ['date','positionName', 'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','district','secondType','positionId','job_detail']
table=pd.DataFrame({'date':date,
'positionName':positionName,
'workYear':workYear,
'education':education,
'jobNature':jobNature,
'businessZones':businessZones,
'salary':salary,
'city':city,
'companyLabelList':companyLabelList,
'companySize':companySize,
'financeStage':financeStage,
'industryField':industryField,
'district':district,
'secondType':secondType,
'positionId':positionId,
'job_detail':job_detail},
columns=columns)
table.to_csv('lagou_' + p + date + '.csv')
lagou("資料分析")
到這裡我們已經擷取了拉鈎網的450個資料分析職位資訊及職位描述。我們将在後面的文章中對這450個職位資訊進行分析和模組化。
本文作者:王彥平
來源:51CTO