Python和Beautifulsoup爬虫的应用-前程无忧

目标

爬取前程无忧北上广深各国际学校招聘信息，统计一线城市国际学校员工（老师，非老师）薪酬水平。可用数据实际不够准确，数量很少，这里只是提供一套demo进行一遍操作。原始数据如下：

环境搭配

• Useful Packages
  1. requests，与服务器建立连接
  2. beautifulsoup， 抓取网页信息
  3. xlwt，可将所爬取数据存入Excel
  4. pandas, numpy 数据清理
  5. plotnine python里调用R语言的可视化包ggplot
• Anaconda - Jupyter Notebook

难点

这里不想过多说怎么具体爬取页面，网上有很多类似例子并不难，最后页我也附录了爬虫代码。主要讲一下爬取这类招聘网站所遇到的难点。

学校名称匹配

• 其实只是单一的爬取数据并不复杂，网上有很多共享代码。那么问题来了！第一，如果规定好了几所国际学校，所爬取数据应该只包含这几所国际学校；第二；由于招聘网站上录入学校名称并不一定完全和真正的名称一致，从而导致错失了一部分数据，例如‘深圳益田国际学校’有可能在招聘网站上显示为‘深圳益田国际部‘，但其实两者一样。 程序并不会帮你自动区分其中区别。

薪酬单位

• 薪酬不统一。原始数据中，薪酬被分为（万/月，万/年，千/月，元/天）。

解决方案

学校名称匹配

• 利用正则表达也就是 regular expression 检索每一条所爬数据，如果符合条件则爬下来并储存，否则就跳过检索下一条。举个例子，前程无忧上某一条要爬数据显示学校名称为‘深圳益田国际部’ 我们可以通过建立一个字典即dictionary 储存关键字‘益田’和‘国际’，从而省略检索最后一个‘部’使其同时可匹配学校两字。唯一不足是字典需要手动判断并输入关键字。代码如下：

# 交大可匹配：交大剑桥或者交大国际
d_guangzhou = {
   
			   '英国': '学校', '华南师范': '国际',
               '交大': '剑桥|国际', '第二外国语': '国际'
              }

for key, value in d_shenzhen.items():
	regexp_key = re.compile(r'{}'.format(key))   # 匹配第一个词
    regexp_value = re.compile(r'{}'.format(value)) # 匹配第二个词
	if regexp_key.search(company) and regexp_value.search(company): # 如果两个字同时存在于所检索的company中
		# Extact the data 

薪酬单位

• 同样还是利用正则表达。匹配‘万千元’以及‘月年天’，统一薪酬单位为每月收入多少万。代码如下：

# 创建新的dataframe"薪水_万每月"

job["薪水_万每月"] = '' 

for i in range(len(job["薪水"])):
    
    str