Python爬取历年招聘数据，告诉你如何成为备受追捧的数据分析工程师！
作者 | 法纳斯特
责编 | 郭芮
近年来，数据分析师的需求热度持续攀升，并且随着数据价值的不断挖掘越发得到市场认可。一个喜闻乐见的事实是，数据分析师、数据挖掘工程师、乃至于数据科学家都会有着较高的起薪，是行业公认的香饽饽。
本文中就通过对BOSS直聘、拉勾网数据分析岗的数据进行分析，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。
网页分析
一开始我的设想是通过爬虫框架Pyspider进行数据获取。
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页面抓取。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。在本次针对BOSS直聘和拉勾网的数据爬取中，前者成功使用了Pyspider，但后者却不行，因为拉勾网的数据是Ajax加载的。
也就是说，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。
1、获取BOSS直聘索引页信息：
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。
2、获取拉勾网索引页信息：
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，我采用PyCharm编写代码，轻车熟路。
数据获取
1、Ppyspider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：
2、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 + '\n\n')
# 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：
这里的数据库都是自己在外面创建的，就不贴代码细说了。
数据可视化
1、城市分布图
岗位的分布情况，这里可以看出岗位大多都分布在东部地区，中部也有一些。
2、城市分布热力图
京津冀、长三角、珠三角密集度不相上下，成都重庆地区也有一些小需求。
可以说北上广深，这四个一线城市包揽了大部分的岗位需求。
3、工作经验薪水图
这里通过看箱形图的四分位及中间值，大致能看出随着工作年限的增长，薪资也是一路上升。
BOSS直聘里，1年以内工作经验的薪资，有个最高4万多的，这肯定是不合理的。于是就去数据库看了下，其实那个岗位要求是3年以上，但实际给的标签却是1年以内，所以说数据来源提供的数据的准确性很重要。
4、学历薪水图
总的来说「硕士」>「本科」>「大专」，当然大专、本科中也有高薪水的。毕竟越往后能力就越重要，学历算是一个重要的加分项。
5、公司状态薪水图
这里的数据没什么特点，就当了解下这些概念。一个公司的发展，可以是从「天使轮」一直到「上市公司」，路途坎坷。
6、公司规模薪水图
正常来说，公司规模越大，薪水应该会越高。毕竟大厂的工资摆在那里，想不知道都难。
不过这里没能体现出来差距，倒是发现人数最少的公司，最高工资给的不高，难不成是初期缺钱？
7、公司类型TOP10
数据分析岗主要集中在互联网行业，「金融」、「地产」、「教育」、「医疗」、「游戏」也有所涉及，大部分岗位需求都集中第三产业上。
8、工作技能图
这个算是本文的重点，这些技能将会是日后学习的重点。
数据挖掘、SQL、BI、数据运营、SPSS、数据库、MySQL等等最重要。
9、工作福利图
这里可以看出大部分重点都围绕着「五险一金」、「福利多」、「团队氛围好」、「晋升空间大」、「行业大牛领头」上。
要是哪家公司都具备了，那简直就是要上天。不过你我都清楚，这是不存在的，就算可能存在，也只是别人家的公司而已~
总结
最后贴两张BOSS直聘以及拉勾网薪水TOP20，以此来作为勉励。
1、BOSS直聘薪水TOP20
2、拉勾网薪水TOP20
毕竟我们不能仅仅当条咸鱼，我们要当就当一只有梦想的咸鱼！！！
获取完整源码可点击：https://github.com/Tobby-star/JOB?files=1。
作者：法纳斯特，Python爱好者，专注爬虫，数据分析及可视化。
声明：本文首发个人公众号法纳斯特，作者投稿，版权归其个人所有。
热 文 推 荐
☞ 华为员工 iPhone 发文遭罚；百度遭约谈勒令整改；锤子 1577 万元被法院保全 | 极客头条
☞ 漫画：什么是字符集和编码？ASCII、UTF-8、UTF-16、UTF-32 又是什么？
print_r('点个好看吧！');
var_dump('点个好看吧！');
NSLog(@"点个好看吧！");
System.out.println("点个好看吧！");
console.log("点个好看吧！");
print("点个好看吧！");
printf("点个好看吧！\n");
cout << "点个好看吧！" << endl;
Console.WriteLine("点个好看吧！");
fmt.Println("点个好看吧！");
Response.Write("点个好看吧！");
alert("点个好看吧！")
echo "点个好看吧！"
相关内容
微信扫码咨询专知VIP会员