- 爬取时间:2020-07-11(2020年10月测试,增加了反爬,此代码已失效!!!)
- 实现目标:根据用户输入的关键字爬取相关职位信息存入 MongoDB,读取数据进行可视化展示。
- 涉及知识:请求库 requests、Xpath 语法、数据库 MongoDB、数据处理 Numpy、Pandas、数据可视化 Matplotlib。
- 完整代码:https://github.com/TRHX/Python3-Spider-Practice/tree/master/SpiderDataVisualization/51job
- 其他爬虫实战代码合集(持续更新):https://github.com/TRHX/Python3-Spider-Practice
- 爬虫实战专栏(持续更新):https://itrhx.blog.csdn.net/article/category/9351278
文章目录
【1x00】获取数据 get_51job_data.py
【01x01】构建请求地址
以 Python 职位为例,请求地址如下:
第一页:https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,1.html
第二页:https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,2.html
第三页:https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,3.html
初始化函数:
def __init__(self):
self.base_url = 'https://search.51job.com/list/000000,000000,0000,00,9,99,%s,2,%s.html'
self.headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.13 Safari/537.36'}
self.keyword = input('请输入关键字:')
【01x02】获取总页数
在页面的下方给出了该职位一共有多少页,使用 Xpath 和正则表达式提取里面的数字,方便后面翻页爬取使用,注意页面编码为 gbk
。
def tatal_url(self):
url = self.base_url % (self.keyword, str(1))
response = requests.get(url=url, headers=self.headers)
tree = etree.HTML(response.content.decode('gbk'))
# 提取一共有多少页
text = tree.xpath("//div[@class='p_in']/span[1]/text()")[0]
number = re.findall('[0-9]', text)
number = int(''.join(number))
print('%s职位共有%d页' % (self.keyword, number))
return number
【01x03】提取详情页 URL
定义一个 detail_url()
方法,传入总页数,循环提取每一页职位详情页的 URL,将每一个详情页 URL 传递给 parse_data()
方法,用于解析详情页内的具体职位信息。
提取详情页时有以下几种特殊情况:
特殊情况一:如果有前程无忧自己公司的职位招聘信息掺杂在里面,他的详情页结构和普通的不一样,页面编码也有差别。
页面示例:https://51rz.51job.com/job.html?jobid=115980776
页面真实数据请求地址类似于:https://coapi.51job.com/job_detail.php?jsoncallback=&key=&sign=params={“jobid”:""}
请求地址中的各参数值通过 js 加密:https://js.51jobcdn.com/in/js/2018/coapi/coapi.min.js
特殊情况二:部分公司有自己的专属页面,此类页面的结构也不同于普通页面
页面示例:http://dali.51ideal.com/jobdetail.html?jobid=121746338
为了规范化,本次爬取将去掉这部分特殊页面,仅爬取 URL 带有 jobs.51job.com
的数据
def detail_url(self, number):
for num in range(1, number+1):
url = self.base_url % (self.keyword, str(num))
response = requests.get(url=url, headers=self.headers)
tree = etree.HTML(response.content.decode('gbk'))
detail_url1 = tree.xpath("//div[@class='dw_table']/div[@class='el']/p/span/a/@href")
"""
深拷贝一个 url 列表,如果有连续的不满足要求的链接,若直接在原列表里面删除,
则会漏掉一些链接,因为每次删除后的索引已改变,因此在原列表中提取不符合元素
后,在深拷贝的列表里面进行删除。最后深拷贝的列表里面的元素均符合要求。
"""
detail_url2 = copy.deepcopy(detail_url1)
for url in detail_url1:
if 'jobs.51job.com' not in url:
detail_url2.remove(url)
self.parse_data(detail_url2)
print('第%d页数据爬取完毕!' % num)
time.sleep(2)
print('所有数据爬取完毕!')
【01x04】提取职位信息
解析详情页时页面编码是 gbk
,但是某些页面在解析时仍然会报编码错误,因此使用 try-except
语句捕捉编码错误(UnicodeDecodeError),如果该页面有编码错误则直接 return 结束函数。
def parse_data(self, urls):
"""
position: 职位
wages: 工资
region: 地区
experience: 经验
education: 学历
need_people: 招聘人数
publish_date: 发布时间
english: 英语要求
welfare_tags: 福利标签
job_information: 职位信息
work_address: 上班地址
company_name: 公司名称
company_nature: 公司性质
company_scale: 公司规模
company_industry: 公司行业
company_information: 公司信息
"""
for url in urls:
response = requests.get(url=url, headers=self.headers)
try:
text = response.content.decode('gbk')
except UnicodeDecodeError:
return
tree = etree.HTML(text)
"""
提取内容时使用 join 方法将列表转为字符串,而不是直接使用索引取值,
这样做的好处是遇到某些没有的信息直接留空而不会报错
"""
position = ''.join(tree.xpath("//div[@class='cn']/h1/text()"))
wages = ''.join(tree.xpath("//div[@class='cn']/strong/text()"))
# 经验、学历、招聘人数、发布时间等信息都在一个标签里面,逐一使用列表解析式提取
content = tree.xpath("//div[@class='cn']/p[2]/text()")
content = [i.strip() for i in content]
if content:
region = content[0]
else:
region = ''
experience = ''.join([i for i in content if '经验' in i])
education = ''.join([i for i in content if i in '本科大专应届生在校生硕士'])
need_people = ''.join([i for i in content if '招' in i])
publish_date = ''.join([i for i in content if '发布' in i])
english = ''.join([i for i in content if '英语' in i])
welfare_tags = ','.join(tree.xpath("//div[@class='jtag']/div//text()")[1:-2])
job_information = ''.join(tree.xpath("//div[@class='bmsg job_msg inbox']/p//text()")).replace(' ', '')
work_address = ''.join(tree.xpath("//div[@class='bmsg inbox']/p//text()"))
company_name = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[1]/a/p/text()"))
company_nature = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[1]//text()"))
company_scale = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[2]//text()"))
company_industry = ''.join(tree.xpath("//div[@class='tCompany_sidebar']/div[1]/div[2]/p[3]/@title"))
company_information = ''.join(tree.xpath("//div[@class='tmsg inbox']/text()"))
job_data = [position, wages, region, experience, education, need_people, publish_date,
english, welfare_tags, job_information, work_address, company_name,
company_nature, company_scale, company_industry, company_information]
save_mongodb(job_data)
【01x05】保存数据到 MongoDB
指定一个名为 job51_spider
的数据库和一个名为 data
的集合,依次将信息保存至 MongoDB。
def save_mongodb(data):
client = pymongo.MongoClient(host='localhost', port=27017)
db = client.job51_spider
collection = db.data
save_data = {
'职位': data[0],
'工资': data[1],
'地区': data[2],
'经验': data[3],
'学历': data[4],
'招聘人数': data[5],
'发布时间': data[6],
'英语要求': data[7],
'福利标签': data[8],
'职位信息': data[9],
'上班地址': data[10],
'公司名称': data[11],
'公司性质': data[12],
'公司规模': data[13],
'公司行业': data[14],
'公司信息': data[15]
}
collection.insert_one(save_data)
【2x00】数据可视化 draw_bar_chart.py
【02x01】数据初处理
从 MongoDB 里面读取数据为 DataFrame 对象,本次可视化只分析工资与经验、学历的关系,所以只取这三项,由于获取的数据有些是空白值,因此使用 replace 方法将空白值替换成缺失值(NaN),然后使用 DataFrame 对象的 dropna()
方法删除带有缺失值(NaN)的行。将工资使用 apply
方法,将每个值应用于 wish_data
方法,即对每个值进行清洗。
def processing_data():
# 连接数据库,从数据库读取数据(也可以导出后从文件中读取)
client = pymongo.MongoClient(host='localhost', port=27017)
db = client.job51_spider
collection = db.data
# 读取数据并转换为 DataFrame 对象
data = pd.DataFrame(list(collection.find()))
data = data[['工资', '经验', '学历']]
# 使用正则表达式选择空白的字段并填充为缺失值,然后删除带有缺失值的所有行
data.replace(to_replace=r'^\s*$', value=np.nan, regex=True, inplace=True)
data = data.dropna()
# 对工资数据进行清洗,处理后的工作单位:元/月
data['工资'] = data['工资'].apply(wish_data)
return data
【02x02】数据清洗
def wish_data(wages_old):
"""
数据清洗规则:
分为元/天,千(以上/下)/月,万(以上/下)/月,万(以上/下)/年
若数据是一个区间的,则求其平均值,最后的值统一单位为元/月
"""
if '元/天' in wages_old:
if '-' in wages_old.split('元')[0]:
wages1 = wages_old.split('元')[0].split('-')[0]
wages2 = wages_old.split('元')[0].split('-')[1]
wages_new = (float(wages2) + float(wages1)) / 2 * 30
else:
wages_new = float(wages_old.split('元')[0]) * 30
return wages_new
elif '千/月' in wages_old or '千以下/月' in wages_old or '千以上/月' in wages_old:
if '-' in wages_old.split('千')[0]:
wages1 = wages_old.split('千')[0].split('-')[0]
wages2 = wages_old.split('千')[0].split('-')[1]
wages_new = (float(wages2) + float(wages1)) / 2 * 1000
else:
wages_new = float(wages_old.split('千')[0]) * 1000
return wages_new
elif '万/月' in wages_old or '万以下/月' in wages_old or '万以上/月' in wages_old:
if '-' in wages_old.split('万')[0]:
wages1 = wages_old.split('万')[0].split('-')[0]
wages2 = wages_old.split('万')[0].split('-')[1]
wages_new = (float(wages2) + float(wages1)) / 2 * 10000
else:
wages_new = float(wages_old.split('万')[0]) * 10000
return wages_new
elif '万/年' in wages_old or '万以下/年' in wages_old or '万以上/年' in wages_old:
if '-' in wages_old.split('万')[0]:
wages1 = wages_old.split('万')[0].split('-')[0]
wages2 = wages_old.split('万')[0].split('-')[1]
wages_new = (float(wages2) + float(wages1)) / 2 * 10000 / 12
else:
wages_new = float(wages_old.split('万')[0]) * 10000 / 12
return wages_new
【02x03】绘制经验与平均薪资关系图
def wages_experience_chart(data):
# 根据经验分类,求不同经验对应的平均薪资
wages_experience = data.groupby('经验').mean()
# 获取经验和薪资的值,将其作为画图的 x 和 y 数据
w = wages_experience['工资'].index.values
e = wages_experience['工资'].values
# 按照经验对数据重新进行排序,薪资转为 int 类型(也可以直接在前面对 DataFrame 按照薪资大小排序)
wages = [w[6], w[1], w[2], w[3], w[4], w[5], w[0]]
experience = [int(e[6]), int(e[1]), int(e[2]), int(e[3]), int(e[4]), int(e[5]), int(e[0])]
# 绘制柱状图
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.figure(figsize=(9, 6))
x = wages
y = experience
color = ['#E41A1C', '#377EB8', '#4DAF4A', '#984EA3', '#FF7F00', '#FFFF33', '#A65628']
plt.bar(x, y, color=color)
for a, b in zip(x, y):
plt.text(a, b, b, ha='center', va='bottom')
plt.title('Python 相关职位经验与平均薪资关系', fontsize=13)
plt.xlabel('经验', fontsize=13)
plt.ylabel('平均薪资(元 / 月)', fontsize=13)
plt.savefig('wages_experience_chart.png')
plt.show()
【02x04】绘制学历与平均薪资关系图
def wages_education_chart(data):
# 根据学历分类,求不同学历对应的平均薪资
wages_education = data.groupby('学历').mean()
# 获取学历和薪资的值,将其作为画图的 x 和 y 数据
wages = wages_education['工资'].index.values
education = [int(i) for i in wages_education['工资'].values]
# 绘制柱状图
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.figure(figsize=(9, 6))
x = wages
y = education
color = ['#E41A1C', '#377EB8', '#4DAF4A']
plt.bar(x, y, color=color)
for a, b in zip(x, y):
plt.text(a, b, b, ha='center', va='bottom')
plt.title('Python 相关职位学历与平均薪资关系', fontsize=13)
plt.xlabel('学历', fontsize=13)
plt.ylabel('平均薪资(元 / 月)', fontsize=13)
plt.savefig('wages_education_chart.png')
plt.show()
【3x00】数据截图
一共有 34009 条数据,完整数据已放在 github,可自行下载。
MongoDB:
CSV 文件:
JSON 文件:
【4x00】完整代码
完整代码地址(点亮 star 有 buff 加成):https://github.com/TRHX/Python3-Spider-Practice/tree/master/SpiderDataVisualization/51job
其他爬虫实战代码合集(持续更新):https://github.com/TRHX/Python3-Spider-Practice
爬虫实战专栏(持续更新):https://itrhx.blog.csdn.net/article/category/9351278