Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

前言

利用requests爬取拉勾网求职信息数据分析与可视化,废话不多说。

让我们愉快地开始吧~

开发工具

**Python版本:**3.6.4

相关模块:

requests模块;

re模块;

os模块

jieba模块;

pandas模块

numpy模块

pyecharts模块;

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量,pip安装需要的相关模块即可。

数据爬取

爬取拉勾网求职信息

1.requests 请求,获取单页面

# 我们最常用的流程:网页上复制url->发送get请求—>打印页面内容->分析抓取数据 
# 1.获取拉钩网url 
req_url = 'https://www.lagou.com/jobs/list_python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput=' 
# 2.发送get请求 
req_result = requests.get(req_url) 
# 3.打印请求结果 
print(req_result.text)

输出结果如下

<html>  
    <head>     
        <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="renderer"  content="webkit">     
        <meta http-equiv="Content-Type" content="text/html; charset=utf-8">  </head>  
 <script type="text/javascript" src="https://www.lagou.com/utrack/trackMid.js?version=1.0.0.3&t=1529144464"></script>  
 <body>   
  <input type="hidden" id="KEY" value="VAfyhYrvroX6vLr5S9WNrP16ruYI6aYOZIwLSgdqTWc"/>  
 <script type="text/javascript">HZRxWevI();</script>é?μé?¢?? è????-...  <script type="text/javascript" src="https://www.lagou.com/upload/oss.js"></script>  
 </body></html>

上述结果我们可以看出与我们想象的还是差别很大。
为什么会出现以上这种情况呢,其实很简单,因为它并不是简单的静态页面,我们知道请求方式有get和post请求两种基本区别如下

(1)Get是向服务器发索取数据的一种请求;而Post是向服务器提交数据的一种请求,要提交的数据位 于信息头后面的实体中。GET和POST只是发送机制不同,并不是一个取一个发. (2)GET请求时其发送的信息是以url明文发送的,其参数会被保存在浏览器历史或web服务器中, 而post则不会某(这也是后面我们翻页的时候发现拉勾网翻页时 浏览器 url栏地址没有变化的原因。)

2.分析页面加载,找到数据

1.请求分析

在拉钩网首页,按F12进入开发者模式,然后在查询框中输入python,点击搜索,经过我的查找,终于找到了页面上职位信息所在的页面,的确是一个post请求,而且页面返回内容为一个json格式的字典。

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

2.返回数据内容分析
  页面上:我们主要获取7个数据(公司|城市|职位|薪资|学历要求|工作经验|职位优点)

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

json数据中:我把爬下来的json数据整理了一下,如下图

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

我们会发现,我们需要的数据全在req_info['content']['positionResult']['result']里面,为一个列表,而且还包含许多其他的信息,本次我们不关心其他数据。我们所需要数据如下图框

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

3.添加headers 信息,模仿浏览器请求

通过上面的请求分析我们可以找到post请求的网址为:https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false,如果此时我们直接发送post请求,会提示如下代码:

{'success': False, 'msg': '您操作太频繁,请稍后再访问', 'clientIp': '122.xxx.xxx.xxx'}

出现这种提示的原因是,我们直接post访问url,服务器会把我们误认为‘机器人’,这也是一种反爬,解决方法很简单,加一个请求头即可完全模拟浏览器请求,请求头获取见下图

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

4.解析页面,实现翻页爬取

分析发现下面规律:
post请求中,有个请求参数->表单数据,包含三个参数first、kd、pn,通过动图演示,我们不难猜出其含义

data = {  
               'first':'true', # 是不是第一页,false表示不是,true 表示是                        'kd':'Python', # 搜索关键字         
               'pn':1 # 页码      
        }

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

代码

import requests\
# 1. post 请求的 url\
req_url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'\
# 2. 请求头 headers\
headers = {'你的请求头'}\
# 3. for 循环请求\
for i in range(1,31):\
   data = { 'first':'false','kd':'Python','pn':i}    \
   # 3.1 requests 发送请求\
   req_result = requests.post(req_url,headers = headers,data = data)    req_result.encoding = 'utf-8'\
   # 3.2 获取数据\
   req_info = req_result.json()    \
   # 打印出获取到的数据\
   print(req_info)

5.爬取数据存入csv文件

def file_do(list_info):    # 获取文件大小    file_size = os.path.getsize(r'G:\lagou_test.csv')    \
   if file_size == 0:        \
       # 表头        name = ['公司','城市','职位','薪资','学历要求','工作经验','职位优点']        \
       # 建立DataFrame对象        file_test = pd.DataFrame(columns=name, data=list_info)        \
       # 数据写入        file_test.to_csv(r'G:\lagou_test.csv', encoding='gbk',index=False)    \
   else:        \
       with open(r'G:\lagou_test.csv','a+',newline='') as file_test :  # 追加到文件后面            writer = csv.writer(file_test)          \
           # 写入文件            writer.writerows(list_info)

展示爬取的数据

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

数据可视化

数据分析+pyechart数据可视化

薪资分布分析

# 薪资分析,下面的几个都是柱状图,和这个地方分析一样# 统计各个城市出现次数
salary_lists = {}for x in city: 
salary_lists[x] = salary.count(x) 
key = [] 
values = []for k,v in salary_lists.items():    
    key.append(k)    
    values.append(v) 
bar2 = Bar('求职信息数据化','需求量',page_title='薪资分布')
# 图表其他主题:vintage,macarons,infographic,shine,roma
bar2.use_theme('vintage') 
bar2.add('薪资',key,values,is_more_utils = True,is_datazoom_show = True,xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=30) 
bar2.render()

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

我们可以看到,python的薪资基本都是10k起步,大部分公司给出薪资在10k-40k之间,所以,不要怕学python吃不到饭。

2.工作地点分析

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

通过图表,我们很容易看出,需要python程序员的公司大多分布在北京、上海、深圳,再后面就是广州了,所以,学python的同学千万不要去错城市哦。

3.职位学历要求

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

根据图表显示,python程序员的学历要求并不高,主要是本科,虽然学历要求不高,但一定要有思辨能力哦。

4.工作经验要求

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

主要是需要3-5年工作经验的同学,不老也不年轻,成熟稳重,又能学新东西的年龄,招聘公司真聪明。

5.工作职位研究方向分析

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

6.工作福利优点分析

# 福利关键词分析
content = ''
# 连接所有公司福利介绍
for x in positionAdvantage:    
    content = content + x
# 去除多余字符
content = re.sub('[,、(),1234567890;;&%$#@!~_=+]', '', content)
# jieba 切词,pandas、numpy计数
segment = jieba.lcut(content) 
words_df = pd.DataFrame({'segment': segment}) 
words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数": numpy.size}) 
words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False) test = words_stat.head(1000).values
# 制作词云图\
codes = [test[i][0] for i in range(0,len(test))] 
counts = [test[i][1] for i in range(0,len(test))] 
wordcloud = WordCloud(width=1300, height=620,page_title='福利关键词') wordcloud.add("福利关键词", codes, counts, word_size_range=[20, 100]) wordcloud.render()

Python爬虫实战,requests模块,Python实现拉勾网求职信息数据分析与可视化

上一篇:requests的post和get


下一篇:爬虫学习打卡第二天——requests基础