当下是一个大数据的时代,各个行业都离不开数据的支持。因此,网络爬虫就应运而生。网络爬虫当下最为火热的是Python,Python开发爬虫相对简单,而且功能库相当完善,力压众多开发语言。
本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页,按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息,通过分析请求信息可以了解请求参数、请求方式和响应内容。如图所示:
从图上可以看到,我们将搜索关键字添加设置python,搜索地区设为广州。浏览器的地址为:
现在确定了搜索关键字和搜索区域后,我们还需要确定页数,因为搜索出来的结果肯定是进行分页处理。以搜索关键字为python,搜索地区为广州,点击第二页,其请求链接如下:
# 第一页
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html
# 第二页
https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,2.html
确定请求链接后,我们在分析该请求的响应内容,从响应内容中获取所需的数据内容,如图所示:
从图上可知,我们需要爬取职位的岗位要求和任职要求的数据,因此在当前页面中,我们需要获取职位的URL地址。
根据上述分析,功能代码如下:
import requests
from bs4 import BeautifulSoup
# 函数参数分别为城市编号、关键词和循环的页数
def get_url(cityCode, keyWord, pageNum):
headers = {
'Host':'search.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
temp_list = []
for i in range(int(pageNum)):
url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
find_div = soup.find_all('div',class_='el')
# 获取职位的URL
for j in find_div:
find_href = j.find('a')
if 'https://jobs.51job.com' in str(find_href):
temp_list.append(find_href['href'])
return temp_list
得到职位的URL之后,接下来分析职位的信息页面。在职位信息页,分别获取职位信息和任职要求,网页分析如图所示:
图上的响应内容中,职位信息是在HTML的div标签,属性class为bmsg job_msg inbox,并且属性值是唯一的,因此可以通过该标签进行定位获取数据。其代码功能如下:
# 获取职位信息
def get_data(job_url):
headers = {
'Host': 'jobs.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
# 遍历职位url列表,获取每个职位的职位信息
for url in job_url:
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
temp_list = []
# 获取职位信息
for k in find_job:
# 简单的数据清洗
if not ':' in str(k) and not ':' in str(k) and k.getText():
if '、' in k.getText():
text = k.getText().split('、')[1].strip()
else:
text = k.getText().strip()
temp_list.append(text)
# 将数据写入CSV文件
if ''.join(temp_list).strip():
f = open('text.csv', 'a', newline='', encoding='utf-8')
writer = csv.writer(f)
writer.writerow([''.join(temp_list)])
f.close()
我们将两个函数get_url和get_data写在spider.py文件,代码如下:
import requests
from bs4 import BeautifulSoup
import csv
# 函数参数分别为城市编号、关键词和循环的页数
def get_url(cityCode, keyWord, pageNum):
headers = {
'Host':'search.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
temp_list = []
for i in range(int(pageNum)):
url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
find_div = soup.find_all('div',class_='el')
# 获取职位的URL
for j in find_div:
find_href = j.find('a')
if 'https://jobs.51job.com' in str(find_href):
temp_list.append(find_href['href'])
return temp_list
# 获取职位信息
def get_data(job_url):
headers = {
'Host': 'jobs.51job.com',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
}
# 遍历职位url列表,获取每个职位的职位信息
for url in job_url:
r = requests.get(url, headers=headers)
soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
temp_list = []
# 获取职位信息
for k in find_job:
# 简单的数据清洗
if not ':' in str(k) and not ':' in str(k) and k.getText():
if '、' in k.getText():
text = k.getText().split('、')[1].strip()
else:
text = k.getText().strip()
temp_list.append(text)
# 将数据写入CSV文件
if ''.join(temp_list).strip():
f = open('text.csv', 'a', newline='', encoding='utf-8')
writer = csv.writer(f)
writer.writerow([''.join(temp_list)])
f.close()
if __name__ == '__main__':
cityCode = '030200'
keyWord = 'python'
pageNum = 2
job_url = get_url(cityCode, keyWord, pageNum)
get_data(job_url)
本例子只获取关键字为python,搜索区域为广州,页数为两页的职位信息。(如果读者想爬取多地方多关键词的职位信息,可自行修改)。代码运行后,在文件spider.py同一目录下自动生成text.csv文件,文件内容如下:
现在有了职位信息的数据后,下一步是对这些数据进行分析。数据分析我们采用人工智能的自然语言处理,根据提供的关键词来计算相关词列表。首先对数据进行分词处理,将数据划分为词语。中文分词建议使用jieba模块,分词的效果相当较高,在分词之前,还需要对数据进行清洗,清洗数据中一些标点符号,如下所示:
import csv,re
import jieba
# 数据清洗并分词
#Python学习交流群:1004391443
csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
seg_list = []
for row in csv_reader:
temp_list = jieba.cut(row[0], cut_all=False)
results = re.sub('[()::?“”;.~?/《》【】,,。!()·、.\d ]+', ' ', ' '.join(temp_list))
seg_list.append(results)
# 将分词写入文件
f = open('data.txt','w',encoding='utf-8')
f.write(' '.join(seg_list))
f.close()
数据清洗完毕会自动保存在文件data.txt,打开data.txt查看数据内容,如图所示:
数据清洗完成后,最后一步就是建模,我们使用gensim模块实现,由word2vec函数方法实现建模,其功能代码如下:
# 通过word2vec计算相关词列表
from gensim import models
# 建模
sentences = models.word2vec.LineSentence('data.txt')
model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
# 计算前50个与python相关的词列表
sim = model.wv.most_similar('python', topn=50)
for s in sim:
print("word:%s,similar:%s " %(s[0],s[1]))
文件analysis.py的代码如下:
import csv,re
import jieba
from gensim import models
# 数据清洗并分词
csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
seg_list = []
for row in csv_reader:
temp_list = jieba.cut(row[0], cut_all=False)
results = re.sub('[()::?“”;.~?/《》【】,,。!()·、.\d ]+', ' ', ' '.join(temp_list))
seg_list.append(results)
# 将分词写入文件
f = open('data.txt','w',encoding='utf-8')
f.write(' '.join(seg_list))
f.close()
# 通过word2vec计算相关词列表
# 建模
sentences = models.word2vec.LineSentence('data.txt')
model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
# 计算前50个与python相关的词列表
sim = model.wv.most_similar('python', topn=50)
for s in sim:
print("word:%s,similar:%s " %(s[0],s[1]))
输出结果如图所示: