专栏首页数据分析1480手把手带你抓取智联招聘的“数据分析师”岗位!

手把手带你抓取智联招聘的“数据分析师”岗位!

前言


很多网友在后台跟我留言,是否可以分享一些爬虫相关的文章,我便提供了我以前写过的爬虫文章的链接(如下链接所示),大家如果感兴趣的话也可以去看一看哦。在本文中,我将以智联招聘为例,分享一下如何抓取近5000条的数据分析岗信息

往期爬虫链接

上海历史天气和空气质量数据获取(Python版)

网络爬虫-京东优惠活动数据分析

快来看看招商银行理财产品数据(代码及分析)

用Python爬下6万共享单车数据,谈谈单车热潮中的城市

百度指数之图像数字识别(2)

抓取百度指数引发的图像数字识别

一件有趣的事: 爬了爬自己的微信朋友

看看融资界都有哪些事情发生

【干货】手把手带你抓“网上购物”类APP信息(含代码)

快来围观2W+的豆瓣电影分类排行榜(含代码)

什么?你了解二手车市场?(含爬虫代码)

(干货)数据分析案例--以上海二手房为例

通过Python抓取天猫评论数据

使用Python实现豆瓣阅读书籍信息的获取

使用Python爬取网页图片

爬虫流程

首先简单聊一下Python抓取互联网数据的一般步骤,如下图所示:

1)发送请求,向对方服务器发送待抓取网站的链接URL; 2)返回请求,在不发生意外的情况下(意外包括网络问题、客户端问题、服务器问题等),对方服务器将会返回请求的内容(即网页源代码) 3)数据存储,利用正则表达式或解析法对源代码作清洗,并将目标数据存储到本地(txt、csv、Excel等)或数据库(MySQL、SQL Server、MongoDB等)

爬虫实操

接下来,在理解了爬虫流程之后,我们借助于智联招聘的网站,跟大家分析如何一步一步的完成数据的抓取。 寻找目标URL 如下图所示,是在智联招聘网站上搜索“数据分析师”岗位后的响应结果。按照常理,需要按一下键盘中的F12键,对网页内容进行监控。

数据分析岗搜寻结果

F12键的效果

接着,在原网页中下来滚动条,并点击“下一页”,此时右侧的监控台便发生了变化,读者需要按下图进行选择:

点击“下一步”的网页监控

经过这四步的选择,就可以发现招聘网站上的信息都在这个Preview(预览)里面。那么问题来了,需要抓取的URL是什么呢?此时只需点击Headers卡即可,你会发现请求链接就是下图中框出来的部分:

目标URL

发送请求并返回请求内容 既然找到了目标URL,下面要做的就是基于Python向智联招聘的服务器发送请求了,具体代码如下:

import requests  # 用于发送URL请求
import pandas as pd # 用于构造数据框
import random  # 用于产生随机数
import time  # 用于时间停留# 

根据第一页的URL,抓取“数据分析师”岗位的信息
url = r'https://fe-api.zhaopin.com/c/i/sou?pageSize=60&cityId=489&workExperience=-1&education=-1&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88&kt=3&lastUrlQuery=%7B%22jl%22:%22489%22,%22kw%22:%22%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88%22,%22kt%22:%223%22%7D&at=9c5682b1a4f54de89c899fb7efc7e359&rt=54eaf1be1b8845c089439d53365ea5dd&_v=0.84300214&x-zp-page-request-id=280f6d80d733447fbebafab7b8158873-1541403039080-617179'
# 构造请求的头信息,防止反爬虫
headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
# 利用requests包中的get函数发送请求
response = requests.get(url, headers = headers)
# 基于response返回Json数据
datas = response.json()

返回字典格式的数据

如上结果所示,即为抓取回来的招聘信息,这些信息是以字典的形式存储起来的。需要说明的是,在发送请求的代码中,添加了请求头信息,其目的就是防止对方服务器禁止Python爬虫。关于头信息可以在Headers选项中的“Request Headers”部分找到,读者只需将“User-Agent”值摘抄下来即可。

寻找User-Agent的地方

内容解析(Json) 下面利用字典的键索引知识,将所需字段的值解析出来。这里不妨以公司名称为例,利用字典的索引技术将其取出来。具体如下图所示:

键取到results部分

键取到company部分(注意,results返回列表结果)

键取到name部分

OK,按照如上的策略,便可以取出其他字段的信息,具体代码如下:

# 根据Json数据返回每一条招聘信息# 返回公司名称
company = [i['company']['name'] for i in response.json()['data']['results']]
# 返回公司规模
size = [i['company']['size']['name'] for i in response.json()['data']['results']]
# 返回公司类型
type = [i['company']['type']['name'] for i in response.json()['data']['results']]
# 返回公司招聘信息
positionURL = [i['positionURL'] for i in response.json()['data']['results']]
# 返回工作经验的要求
workingExp = [i['workingExp']['name'] for i in response.json()['data']['results']]
# 返回教育水平的要求
eduLevel = [i['eduLevel']['name'] for i in response.json()['data']['results']]
# 返回薪资水平
salary = [i['salary'] for i in response.json()['data']['results']]
# 返回工作岗位名称
jobName = [i['jobName'] for i in response.json()['data']['results']]
# 返回福利信息
welfare = [i['welfare'] for i in response.json()['data']['results']]
# 返回岗位所在城市
city = [i['city']['items'][0]['name'] for i in response.json()['data']['results']]
# 返回经度
lat = [i['geo']['lat'] for i in response.json()['data']['results']]
# 返回纬度
lon = [i['geo']['lon'] for i in response.json()['data']['results']]
# 将返回的信息构造表格
pd.DataFrame({'company':company,'size':size,'type':type,'positionURL':positionURL,
              'workingExp':workingExp,'eduLevel':eduLevel,'salary':salary,
              'jobName':jobName,'welfare':welfare,'city':city,'lat':lat,'lon':lon})

返回的数据结果

数据存储 如上操作只是将招聘网站中的第一页内容抓取下来,如果需要抓取n多页,就需要借助于for循环的技术。但在循环之前,需要准确找到目标链接的规律,然后使用for循环就水到渠成了。所以,我们按照之前的方法,找到第二页、第三页、第四页链接,然后发现其中的规律,如下图所示:

目标链接的规律

如上图所示,在链接中只有一部分内容发生变化,即“start=”,而其他部分都保持不变。所以,按照这个规律就可以对多页内容进行抓取,代码如下:

# 构造空列表,用于存储各页的招聘信息
jobs = []
# 利用for循环,生成规律的链接,并对这些链接进行请求的发送和解析内容
for i in range(0,6001,60):
   url = 'https://fe-api.zhaopin.com/c/i/sou?start='+str(i)+'&pageSize=60&cityId=489&workExperience=-1&education=-1&companyType=-1&employmentType=-1&jobWelfareTag=-1&kw=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88&kt=3&lastUrlQuery=%7B%22p%22:5,%22jl%22:%22489%22,%22kw%22:%22%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88%22,%22kt%22:%223%22%7D&at=17a95e7000264c3898168b11c8f17193&rt=57a342d946134b66a264e18fc60a17c6&_v=0.02365098&x-zp-page-request-id=a3f1b317599f46338d56e5d080a05223-1541300804515-144155'
   response = requests.get(url, headers = headers)
   print('Down Loading:','https://fe-api.zhaopin.com/c/i/sou?start='+str(i)+'&pageSize=60','......')   company = [i['company']['name'] for i in response.json()['data']['results']]
   size = [i['company']['size']['name'] for i in response.json()['data']['results']]
   type = [i['company']['type']['name'] for i in response.json()['data']['results']]
   positionURL = [i['positionURL'] for i in response.json()['data']['results']]
   workingExp = [i['workingExp']['name'] for i in response.json()['data']['results']]
   eduLevel = [i['eduLevel']['name'] for i in response.json()['data']['results']]
   salary = [i['salary'] for i in response.json()['data']['results']]
   jobName = [i['jobName'] for i in response.json()['data']['results']]
   welfare = [i['welfare'] for i in response.json()['data']['results']]
   city = [i['city']['items'][0]['name'] for i in response.json()['data']['results']]
   lat = [i['geo']['lat'] for i in response.json()['data']['results']]
   lon = [i['geo']['lon'] for i in response.json()['data']['results']]    
    
    # 随机生成5~8之间的实数,用于页面的停留时长(仍然是防止反爬虫)
   seconds = random.randint(5,8)
   time.sleep(seconds)    
    # 将每一页的内容保存到jobs列表中
   jobs.append(pd.DataFrame({'company':company,'size':size,'type':type,'positionURL':positionURL,
                              'workingExp':workingExp,'eduLevel':eduLevel,'salary':salary,
                              'jobName':jobName,'welfare':welfare,'city':city,'lat':lat,'lon':lon}))

# 拼接所有页码下的招聘信息
jobs2 = pd.concat(jobs)
# 将数据导出到Excel文件中
jobs2.to_excel('jobs.xlsx', index = False)

数据存储到Excel的结果

如上结果所示,即为数据导出后的Excel效果图。在下一期,我将针对抓取回来的数据,进行内容的分析。

结语


OK,关于使用Python完成招聘网站数据的抓取就分享到这里,如果你有任何问题,欢迎在公众号的留言区域表达你的疑问。同时,也欢迎各位朋友继续转发与分享文中的内容,让更多的人学习和进步。 关于Python的其他知识(包括数据的清洗、整理、运算、分析、可视化和建模),读者可以查阅我的新书《从零开始学Python数据分析与挖掘》,如果您对书中的内容有任何疑问,都可以联系我。

本文中的代码和数据可以从百度云盘中下载,只需关注数据分析1480”公众号,并回复智联招聘”即可。

本文分享自微信公众号 - 数据分析1480(lsxxx2011),作者:刘顺祥

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-11-07

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 干货!三大招教你轻松挖掘客户意见(含Python代码)。

    随着大数据营销模式的发展,精准了解客户需求越来越重要,这其中最好的方式,就是直接收集客户意见。但客户意见往往天马行空,既无序又杂乱。虽然收集的意见不少,但分析出...

    1480
  • 大数据之脚踏实地学10--Hive独立式安装

    在《大数据之脚踏实地学09--Hive嵌入式安装》一文中我们详细介绍了Hive嵌入式的安装流程,即默认使用Hive的内置Derby数据库作为元信息的存储。但这样...

    1480
  • 分组统计你只想到group_by操作吗?

    最近在研究excel透视图,想到好像自己在R-分组操作并不是很流畅,顺便学习分享一下。R自带数据集比较多,今天就选择一个我想对了解的mtcars数据集带大家学习...

    1480
  • 技术 | Python从零开始系列连载(二十八)

    之前我水平有限,对于淘宝评论这种动态网页,由于数据在网页源码中是找不到的,所以无法抓取数据,只能使用selenium模仿人操控浏览器来抓数据,

    灯塔大数据
  • 使用nodejs自动生成前端项目组件

    版权声明:本文为博主原创文章,未经博主允许不得转载。 ...

    j_bleach
  • 使用SourceGraph更简洁地查看github上的代码

    绝命生
  • React VS Vue:2020年应该选哪个?[每日前端夜话0xD3]

    Javascript 框架以及 HTML 和 CSS 已成为每个现代软件项目前端开发的重要组成部分。2020 年将会是为你的 Web 项目选择正确的 javas...

    疯狂的技术宅
  • 产品研发组织的三个顽疾及破解

    本文起源于一次部门周例会,在这次例会中,我们可爱的产品经理和研发经理,在工作汇报过程中,清晰地“演示”了互联网公司中产品研发工作的常见问题,也是严重且根深蒂固的...

    物流IT圈
  • Hive SQL开窗函数实战

    开窗函数是数据的一种查询统计语法糖,多是用于离线统计,这同时也是大数据技术栈的应用场景。今天学习Hive SQL的开窗(窗口)函数,对比与MySQL,在MySQ...

    公众号guangcity
  • C++那些事之手写二叉堆强化模板函数及比较操作

    本节重点带大家一起写一个二叉堆,并基于二叉堆实现优先队列,同时练习C++的模板类以及比较操作。

    公众号guangcity

扫码关注云+社区

领取腾讯云代金券