Python數據可視化：淺談數據分析崗
有態度地學習
講道理，pyspider確實是一款優秀的爬蟲框架，我們可以利用它快速方便地實現一個頁面的抓取。
不過帶來便捷性的同時，也有它的局限性，復雜頁面不好爬取。
在本次的數據爬取中，BOSS直聘是成功使用pyspider。但拉勾網卻不行，因為拉勾網的數據是Ajax加載的。
拉勾網崗位數據請求的網址是不變的，改變的是表單數據，表單數據隨著頁數改變，請求方式為POST。這里沒辦法在pyspider里用循環遍歷來獲取每一頁的數據。
也許是我對pyspider框架了解的不夠，還達不到得心應手。所以***拉勾網的爬取，采用平常的辦法，在PyCharm中自行編寫程序。
本次通過對BOSS直聘，拉勾網數據分析崗數據分析，了解數據分析崗的行業情況，也以此來了解從事數據分析所需要的技能。
一、網頁分析
獲取BOSS直聘索引頁信息，主要是崗位名稱、薪資、地點、工作年限、學歷要求，公司名稱、類型、狀態、規模。
本來一開始是想對詳情頁分析的，還可以獲取詳情頁里的工作內容和工作技能需求。
然后由于請求太多，就放棄了。索引頁有10頁，1頁有30個崗位，一個詳情頁就需要一個請求，算起來一共有300個請求。
我是到了第2頁(60個請求)，就出現了訪問過于頻繁的警告。
而只獲取索引頁信息的話，只有10個請求，基本上沒什么問題，外加也不想去鼓搗代理IP，所以來點簡單的。
到時候做數據挖掘崗位的數據時，看看放慢時間能否獲取成功。
獲取拉勾網索引頁信息，主要是崗位名稱、地點、薪資、工作年限、學歷要求，公司名稱、類型、狀態、規模，工作技能，工作福利。
網頁為Ajax請求，采用PyCharm編寫代碼，輕車熟路。
二、數據獲取
01 pyspider獲取BOSS直聘數據
pyspider的安裝很簡單，直接在命令行pip3 install pyspider即可。
這里因為之前沒有安裝pyspider對接的PhantomJS(處理JavaScript渲染的頁面)。
所以需要從網站下載下來它的exe文件，將其放入Python的exe文件所在的文件夾下。
***在命令行輸入pyspider all，即可運行pyspider。
在瀏覽器打開網址http://localhost:5000/，創建項目，添加項目名稱，輸入請求網址，得到如下圖。
***在pyspider的腳本編輯器里編寫代碼，結合左邊的反饋情況，對代碼加以改正。
腳本編輯器具體代碼如下。
- #!/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):
- # 添加請求頭,否則出現403報錯
- 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):
- # 連接數據庫
- 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):
- # 將數據寫入數據庫中
- 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):
- # 因為pyspider默認是HTTP請求,對于HTTPS(加密)請求，需要添加validate_cert=False,否則599/SSL報錯
- 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():
- # 設置全局變量
- global count
- count += 1
- # 崗位名稱
- job_title = i('.job-title').text()
- print(job_title)
- # 崗位薪水
- job_salary = i('.red').text()
- print(job_salary)
- # 崗位地點
- city_result = re.search('(.*?)<em class=', i('.info-primary > p').html())
- job_city = city_result.group(1).split(' ')[0]
- print(job_city)
- # 崗位經驗
- experience_result = re.search('<em class="vline"/>(.*?)<em class="vline"/>', i('.info-primary > p').html())
- job_experience = experience_result.group(1)
- print(job_experience)
- # 崗位學歷
- job_education = i('.info-primary > p').text().replace(' ', '').replace(city_result.group(1).replace(' ', ''), '').replace(experience_result.group(1).replace(' ', ''),'')
- print(job_education)
- # 公司名稱
- company_name = i('.info-company a').text()
- print(company_name)
- # 公司類型
- company_type_result = re.search('(.*?)<em class=', i('.info-company p').html())
- company_type = company_type_result.group(1)
- print(company_type)
- # 公司狀態
- 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 = '無信息'
- print(company_status)
- # 公司規模
- company_people = i('.info-company p').text().replace(company_type, '').replace(company_status,'')
- print(company_people + '\n')
- # 寫入數據庫中
- self.add_Mysql(count, job_title, job_salary, job_city, job_experience, job_education, company_name, company_type, company_status, company_people)
- # 獲取下一頁信息
- 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")
- # 詳情頁信息獲取,由于訪問次數有限制,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):
- # 詳情頁信息獲取,由于訪問次數有限制,不使用
- message_job = response.doc('div > .info-primary > p').text()
- city_result = re.findall('城市：(.*?)經驗', message_job)
- experience_result = re.findall('經驗：(.*?)學歷', message_job)
- education_result = re.findall('學歷：(.*)', 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(),
- }
獲取BOSS直聘數據分析崗數據如下。
02 PyCharm獲取拉勾網數據
- import requests
- import pymysql
- import random
- import time
- import json
- count = 0
- # 設置請求網址及請求頭參數
- 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'
- }
- # 連接數據庫
- 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):
- # 將數據寫入數據庫中
- 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) + '頁')
- time.sleep(random.randint(10, 20))
- data = {
- 'first': 'false',
- 'pn': i,
- 'kd': '數據分析'
- }
- 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
- # 崗位名稱
- job_title = job['positionName']
- print(job_title)
- # 崗位薪水
- job_salary = job['salary']
- print(job_salary)
- # 崗位地點
- job_city = job['city']
- print(job_city)
- # 崗位經驗
- job_experience = job['workYear']
- print(job_experience)
- # 崗位學歷
- job_education = job['education']
- print(job_education)
- # 公司名稱
- company_name = job['companyShortName']
- print(company_name)
- # 公司類型
- company_type = job['industryField']
- print(company_type)
- # 公司狀態
- company_status = job['financeStage']
- print(company_status)
- # 公司規模
- 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')
- # 寫入數據庫
- 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()
獲取拉勾網數據分析崗數據如下。
這里的數據庫都是自己在外面創建的，之前也用了好多回，就不貼代碼細說了。
三、數據可視化
01 城市分布圖
崗位的分布情況，這里可以看出崗位大多都分布在東部地區，中部也有一些。
02 城市分布熱力圖
京津冀、長三角、珠三角密集度不相上下，成都重慶地區也有一小些需求。
可以說北上廣深，這四個一線城市包攬了大部分的崗位需求。
03 工作經驗薪水圖
這里通過看箱形圖的四分位及中間值，大致能看出隨著工作年限的增長，薪資也是一路上升。
BOSS直聘里，1年以內工作經驗的薪資，有個***4萬多的，這肯定是不合理的。
于是就去數據庫看了下，其實那個崗位要求是3年以上，但實際給的標簽卻是1年以內。
所以說數據來源提供的數據的準確性很重要。
04 學歷薪水圖
總的來說「碩士」>「本科」>「大專」，當然大專、本科中也有高薪水的。
畢竟越往后能力就越重要，學歷算是一個重要的加分項。
05 公司狀態薪水圖
這里的數據沒什么特點，就當了解下這些概念。
一個公司的發展，可以是從「天使輪」一直到「上市公司」，路途坎坷。
06 公司規模薪水圖
正常來說，公司規模越大，薪水應該會越高。
畢竟大廠的工資擺在那里，想不知道都難。
不過這里沒能體現出來差距，倒是發現人數最少的公司，***工資給的不高，難不成是初期缺錢?
07 公司類型***0
數據分析崗主要集中在互聯網行業，「金融」「地產」「教育」「醫療」「游戲」也有所涉及。
大部分崗位需求都集中第三產業上。
08 工作技能圖
這個算是本次的重點，這些技能將會是日后學習的重點。
「數據挖掘」「SQL」「BI」「數據運營」「SPSS」「數據庫」「MySQL」等等。
09 工作福利圖
這里可以看出大部分重點都圍繞著「五險一金」「福利多」「團隊氛圍好」「晉升空間大」「行業大牛領頭」上。
要是哪家公司都具備了，那簡直就是要上天。
不過你我都清楚，這是不存在的，就算可能存在，也只是別人家的公司而已~
四、總結
***貼兩張BOSS直聘以及拉勾網薪水TOP20，以此來作為勉勵。
01 BOSS直聘薪水TOP20
02 拉勾網薪水TOP20
畢竟我們不能僅僅當條咸魚，我們要當就當一只有夢想的咸魚!!!
