Python数据可视化:浅谈数据分析岗

有态度地学习

 

讲道理,pyspider确实是一款优秀的爬虫框架,我们可以利用它快速方便地实现一个页面的抓取。

 

不过带来便捷性的同时,也有它的局限性,复杂页面不好爬取。

 

在本次的数据爬取中,BOSS直聘是成功使用pyspider。但拉勾网却不行,因为拉勾网的数据是Ajax加载的。

 

拉勾网岗位数据请求的网址是不变的,改变的是表单数据,表单数据随着页数改变,请求方式为POST。这里没办法在pyspider里用循环遍历来获取每一页的数据。

 

也许是我对pyspider框架了解的不够,还达不到得心应手。所以最后拉勾网的爬取,采用平常的办法,在PyCharm中自行编写程序。

 

本次通过对BOSS直聘,拉勾网数据分析岗数据分析,了解数据分析岗的行业情况,也以此来了解从事数据分析所需要的技能。

 

一、网页分析

 

 

获取BOSS直聘索引页信息,主要是岗位名称、薪资、地点、工作年限、学历要求,公司名称、类型、状态、规模。

 

本来一开始是想对详情页分析的,还可以获取详情页里的工作内容和工作技能需求。

 

然后由于请求太多,就放弃了。索引页有10页,1页有30个岗位,一个详情页就需要一个请求,算起来一共有300个请求。

 

我是到了第2页(60个请求),就出现了访问过于频繁的警告。

 

而只获取索引页信息的话,只有10个请求,基本上没什幺问题,外加也不想去鼓捣代理IP,所以来点简单的。

 

到时候做数据挖掘岗位的数据时,看看放慢时间能否获取成功。

 

 

获取拉勾网索引页信息,主要是岗位名称、地点、薪资、工作年限、学历要求,公司名称、类型、状态、规模,工作技能,工作福利。

 

网页为Ajax请求,采用PyCharm编写代码,轻车熟路。

 

二、数据获取

 

01 pyspider获取BOSS直聘数据

 

pyspider的安装很简单,直接在命令行pip3 install pyspider即可。

 

这里因为之前没有安装pyspider对接的PhantomJS(处理JavaScript渲染的页面)。

 

所以需要从网站下载下来它的exe文件,将其放入Python的exe文件所在的文件夹下。

 

最后在命令行输入pyspider all,即可运行pyspider。

 

在浏览器打开网址http://localhost:5000/,创建项目,添加项目名称,输入请求网址,得到如下图。

 

 

最后在pyspider的脚本编辑器里编写代码,结合左边的反馈情况,对代码加以改正。

 

 

脚本编辑器具体代码如下。

 

#!/usr/bin/env python 
# -*- encoding: utf-8 -*- 
# Project: BOSS 
 
from pyspider.libs.base_handler import * 
import pymysql 
import random 
import time 
import re 
 
count = 0 
 
class Handler(BaseHandler): 
    # 添加请求头,否则出现403报错 
    crawl_config = {'headers': {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}} 
 
    def __init__(self): 
        # 连接数据库 
        self.db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='boss_job', charset='utf8mb4') 
 
    def add_Mysql(self, id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people): 
        # 将数据写入数据库中 
        try: 
            cursor = self.db.cursor() 
            sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people); 
            print(sql) 
            cursor.execute(sql) 
            print(cursor.lastrowid) 
            self.db.commit() 
        except Exception as e: 
            print(e) 
            self.db.rollback() 
 
    @every(minutes=24 * 60) 
    def on_start(self): 
        # 因为pyspider默认是HTTP请求,对于HTTPS(加密)请求,需要添加validate_cert=False,否则599/SSL报错 
        self.crawl('https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&scity=100010000&industry=&position=', callback=self.index_page, validate_cert=False) 
 
    @config(age=10 * 24 * 60 * 60) 
    def index_page(self, response): 
        time.sleep(random.randint(2, 5)) 
        for i in response.doc('li > div').items(): 
            # 设置全局变量 
            global count 
            count += 1 
            # 岗位名称 
            job_title = i('.job-title').text() 
            print(job_title) 
            # 岗位薪水 
            job_salary = i('.red').text() 
            print(job_salary) 
            # 岗位地点 
            city_result = re.search('(.*?)<em class=', i('.info-primary > p').html()) 
            job_city = city_result.group(1).split(' ')[0] 
            print(job_city) 
            # 岗位经验 
            experience_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-primary > p').html()) 
            job_experience = experience_result.group(1) 
            print(job_experience) 
            # 岗位学历 
            job_education = i('.info-primary > p').text().replace(' ', '').replace(city_result.group(1).replace(' ', ''), '').replace(experience_result.group(1).replace(' ', ''),'') 
            print(job_education) 
            # 公司名称 
            company_name = i('.info-company a').text() 
            print(company_name) 
            # 公司类型 
            company_type_result = re.search('(.*?)<em class=', i('.info-company p').html()) 
            company_type = company_type_result.group(1) 
            print(company_type) 
            # 公司状态 
            company_status_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-company p').html()) 
            if company_status_result: 
                company_status = company_status_result.group(1) 
            else: 
                company_status = '无信息' 
            print(company_status) 
            # 公司规模 
            company_people = i('.info-company p').text().replace(company_type, '').replace(company_status,'') 
            print(company_people + '\n') 
            # 写入数据库中 
            self.add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people) 
        # 获取下一页信息 
        next = response.doc('.next').attr.href 
        if next != 'javascript:;': 
            self.crawl(next, callback=self.index_page, validate_cert=False) 
        else: 
            print("The Work is Done") 
        # 详情页信息获取,由于访问次数有限制,不使用 
        #for each in response.doc('.name > a').items(): 
            #url = each.attr.href 
            #self.crawl(each.attr.href, callback=self.detail_page, validate_cert=False) 
 
    @config(priority=2) 
    def detail_page(self, response): 
        # 详情页信息获取,由于访问次数有限制,不使用 
        message_job = response.doc('div > .info-primary > p').text() 
        city_result = re.findall('城市:(.*?)经验', message_job) 
        experience_result = re.findall('经验:(.*?)学历', message_job) 
        education_result = re.findall('学历:(.*)', message_job) 
 
        message_company = response.doc('.info-company > p').text().replace(response.doc('.info-company > p > a').text(),'') 
        status_result = re.findall('(.*?)\d', message_company.split(' ')[0]) 
        people_result = message_company.split(' ')[0].replace(status_result[0], '') 
 
        return { 
            "job_title": response.doc('h1').text(), 
            "job_salary": response.doc('.info-primary .badge').text(), 
            "job_city": city_result[0], 
            "job_experience": experience_result[0], 
            "job_education": education_result[0], 
            "job_skills": response.doc('.info-primary > .job-tags > span').text(), 
            "job_detail": response.doc('div').filter('.text').eq(0).text().replace('\n', ''), 
            "company_name": response.doc('.info-company > .name > a').text(), 
            "company_status": status_result[0], 
            "company_people": people_result, 
            "company_type": response.doc('.info-company > p > a').text(), 
        }

 

获取BOSS直聘数据分析岗数据如下。

 

 

02 PyCharm获取拉勾网数据

 

import requests 
import pymysql 
import random 
import time 
import json 
 
count = 0 
# 设置请求网址及请求头参数 
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false' 
headers = { 
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36', 
    'Cookie': '你的Cookie值', 
    'Accept': 'application/json, text/javascript, */*; q=0.01', 
    'Connection': 'keep-alive', 
    'Host': 'www.lagou.com', 
    'Origin': 'https://www.lagou.com', 
    'Referer': 'ttps://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=sug&fromSearch=true&suginput=shuju' 
} 
 
# 连接数据库 
db = pymysql.connect(host='127.0.0.1', user='root', password='774110919', port=3306, db='lagou_job', charset='utf8mb4') 
 
 
def add_Mysql(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare): 
    # 将数据写入数据库中 
    try: 
        cursor = db.cursor() 
        sql = 'insert into job(id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) values ("%d", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s", "%s")' % (id, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare); 
        print(sql) 
        cursor.execute(sql) 
        print(cursor.lastrowid) 
        db.commit() 
    except Exception as e: 
        print(e) 
        db.rollback() 
 
 
def get_message(): 
    for i in range(1, 31): 
        print('第' + str(i) + '页') 
        time.sleep(random.randint(10, 20)) 
        data = { 
            'first': 'false', 
            'pn': i, 
            'kd': '数据分析' 
        } 
        response = requests.post(url=url, data=data, headers=headers) 
        result = json.loads(response.text) 
        job_messages = result['content']['positionResult']['result'] 
        for job in job_messages: 
            global count 
            count += 1 
            # 岗位名称 
            job_title = job['positionName'] 
            print(job_title) 
            # 岗位薪水 
            job_salary = job['salary'] 
            print(job_salary) 
            # 岗位地点 
            job_city = job['city'] 
            print(job_city) 
            # 岗位经验 
            job_experience = job['workYear'] 
            print(job_experience) 
            # 岗位学历 
            job_education = job['education'] 
            print(job_education) 
            # 公司名称 
            company_name = job['companyShortName'] 
            print(company_name) 
            # 公司类型 
            company_type = job['industryField'] 
            print(company_type) 
            # 公司状态 
            company_status = job['financeStage'] 
            print(company_status) 
            # 公司规模 
            company_people = job['companySize'] 
            print(company_people) 
            # 工作技能 
            if len(job['positionLables']) > 0: 
                job_tips = ','.join(job['positionLables']) 
            else: 
                job_tips = 'None' 
            print(job_tips) 
            # 工作福利 
            job_welfare = job['positionAdvantage'] 
            print(job_welfare + '\n\n') 
            # 写入数据库 
            add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people, job_tips, job_welfare) 
 
 
if __name__ == '__main__': 
    get_message()

 

获取拉勾网数据分析岗数据如下。

 

 

这里的数据库都是自己在外面创建的,之前也用了好多回,就不贴代码细说了。

 

三、数据可视化

 

01 城市分布图

 

 

 

岗位的分布情况,这里可以看出岗位大多都分布在东部地区,中部也有一些。

 

02 城市分布热力图

 

 

 

京津冀、长三角、珠三角密集度不相上下,成都重庆地区也有一小些需求。

 

可以说北上广深,这四个一线城市包揽了大部分的岗位需求。

 

03 工作经验薪水图

 

 

 

这里通过看箱形图的四分位及中间值,大致能看出随着工作年限的增长,薪资也是一路上升。

 

BOSS直聘里,1年以内工作经验的薪资,有个最高4万多的,这肯定是不合理的。

 

于是就去数据库看了下,其实那个岗位要求是3年以上,但实际给的标签却是1年以内。

 

所以说数据来源提供的数据的准确性很重要。

 

04 学历薪水图

 

 

 

总的来说「硕士」>「本科」>「大专」,当然大专、本科中也有高薪水的。

 

毕竟越往后能力就越重要,学历算是一个重要的加分项。

 

05 公司状态薪水图

 

 

 

这里的数据没什幺特点,就当了解下这些概念。

 

一个公司的发展,可以是从「天使轮」一直到「上市公司」,路途坎坷。

 

06 公司规模薪水图

 

 

 

正常来说,公司规模越大,薪水应该会越高。

 

毕竟大厂的工资摆在那里,想不知道都难。

 

不过这里没能体现出来差距,倒是发现人数最少的公司,最高工资给的不高,难不成是初期缺钱?

 

07 公司类型TOP10

 

 

 

数据分析岗主要集中在互联网行业,「金融」「地产」「教育」「医疗」「游戏」也有所涉及。

 

大部分岗位需求都集中第三产业上。

 

08 工作技能图

 

 

这个算是本次的重点,这些技能将会是日后学习的重点。

 

「数据挖掘」「SQL」「BI」「数据运营」「SPSS」「数据库」「MySQL」等等。

 

09 工作福利图

 

 

这里可以看出大部分重点都围绕着「五险一金」「福利多」「团队氛围好」「晋升空间大」「行业大牛领头」上。

 

要是哪家公司都具备了,那简直就是要上天。

 

不过你我都清楚,这是不存在的,就算可能存在,也只是别人家的公司而已~

 

四、总结

 

最后贴两张BOSS直聘以及拉勾网薪水TOP20,以此来作为勉励。

 

01 BOSS直聘薪水TOP20

 

 

02 拉勾网薪水TOP20

 

 

毕竟我们不能仅仅当条咸鱼,我们要当就当一只有梦想的咸鱼!!!

发表评论

电子邮件地址不会被公开。 必填项已用*标注