2分钟完成30*15页拉勾网职位需求关键词的抓取
2分钟完成30*15页拉勾网职位需求关键词的抓取
不同的语言，有它们各自擅长的应用场景，选择一门适合自己的语言需要勇气与毅力。
而当你下定决心要在甄选的语言上一条道走到黑的时候，孰不知，选择才刚刚开始。
一门编程语言往往有许多分支，每一个分支都需要掌握不同的技能，我们时常会感到困惑：怎么才能较为准确的分配技能点？
需求决定选择，从招聘方的角度来观察，看看我们未来的金主需要现在的你我掌握什么技能，或许能够从繁多的技术分支中受到启发：
一、获取职位需求数据
通过观察可以发现，拉勾网的职位页面详情是由http://www.lagou.com/jobs/+*****(PositionId).html组成，而PositionId可以通过分析Json的XHR获得。而红框里的职位描述内容是我们要抓取的数据。
知道了数据的源头，接下来就按照常规步骤包装Headers，提交FormData来获取反馈数据。
获取PositionId列表所在页面：
1 # 获取职位的查询页面(参数分别为网址，当前页面数，关键词) 2 def get_page(url, pn, keyword): 3 headers = { 4 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 5 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 6 'Host': 'www.lagou.com', 7 'Connection': 'keep-alive', 8 'Origin': 'http://www.lagou.com' 9 }10 if pn == 1:11 boo = 'true'12 else:13 boo = 'false'14 # 通过页面分析，发现浏览器提交的FormData包括以下参数15 data = parse.urlencode([16 ('first', boo),17 ('pn', pn),18 ('kd', keyword)19 ])20 req = request.Request(url, headers=headers)21 page = request.urlopen(req, data=data.encode('utf-8')).read()22 page = page.decode('utf-8')23 return page通过Json获取PositionId：
1 # 获取所需的岗位id,每一个招聘页面详情都有一个所属的id索引2 def read_id(page):3 tag = 'positionId'4 page_json = json.loads(page)5 page_json = page_json['content']['result']6 company_list = []7 for i in range(15):8 company_list.append(page_json[i].get(tag))9 return company_list合成目标url：
1 # 获取职位页面，由PositionId和BaseUrl组合成目标地址 2 def get_content(company_id): 3 fin_url = r'http://www.lagou.com/jobs/%s.html' % company_id 4 headers = { 5 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 6 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 7 'Host': 'www.lagou.com', 8 'Connection': 'keep-alive', 9 'Origin': 'http://www.lagou.com'10 }11 req = request.Request(fin_url, headers=headers)12 page = request.urlopen(req).read()13 content = page.decode('utf-8')14 return content二、对数据进行处理
获取数据之后，需要对数据进行清洗，通过BeautifulSoup抓取的职位内容包含Html标签，需要让数据脱去这层“外衣”。
1 # 获取职位需求（通过re来去除html标记），可以将职位详情单独存储2 def get_result(content):3 soup = Bs(content, 'lxml')4 job_description = soup.select('dd[class="job_bt"]')
5 job_description = str(job_description[0])6 rule = re.compile(r'<[^>]+>')
7 result = rule.sub('', job_description)8 return result现在得到的数据就是职位描述信息，我们要从职位信息当中筛选我们所关注的任职要求关键词。
我们将这些关键词筛选出来，存储到List当中。经过对整个500+职位进行爬去，我们得到了职位技能关键词的总表。
1 # 过滤关键词：目前筛选的方式只是选取英文关键词2 def search_skill(result):3 rule = re.compile(r'[a-zA-z]+')4 skill_list = rule.findall(result)5 return skill_list对关键词按照500+职位需求出现的频次进行排序，选取频次排序Top80的关键词，去除无效的关键词。
1 # 对出现的关键词计数，并排序，选取Top80的关键词作为数据的样本2 def count_skill(skill_list):3 for i in range(len(skill_list)):4 skill_list[i] = skill_list[i].lower()5 count_dict = Counter(skill_list).most_common(80)6 return count_dict三、对数据进行存储和可视化处理
1 # 对结果进行存储并生成Area图 2 def save_excel(count_dict, file_name): 3 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) 4 tmp = book.add_worksheet() 5 row_num = len(count_dict) 6 for i in range(1, row_num): 7 if i == 1: 8 tag_pos = 'A%s' % i 9 tmp.write_row(tag_pos, ['关键词', '频次'])10 else:11 con_pos = 'A%s' % i12 k_v = list(count_dict[i-2])13 tmp.write_row(con_pos, k_v)14 chart1 = book.add_chart({'type': 'area'})15 chart1.add_series({16 'name': '=Sheet1!$B$1',17 'categories': '=Sheet1!$A$2:$A$80',18 'values': '=Sheet1!$B$2:$B$80'19 })20 chart1.set_title({'name': '关键词排名'})21 chart1.set_x_axis({'name': '关键词'})22 chart1.set_y_axis({'name': '频次（/次）'})23 tmp.insert_chart('C2', chart1, {'x_offset': 25, 'y_offset': 10})
这就是抓取之后的数据可视化展示。
30*15页的内容抓取需要花费2分多钟，相对来说还是有些慢，可以加入并行模块抓取数据。
至此，拉勾网职位需求关键词的抓取就完成了。
这个爬虫的目的就是为了抓取与编程语言相关的技能需求，大家可以通过排名靠前的关键词获知主流的框架或结构，避免遗漏。也可以通过长尾关键词来扩展自己的知识面。