数据分析行业薪资的秘密,你想知道的都在这里(1)

我们使用python抓取了2017年6月26日拉钩网站内搜索“数据分析”关键词下的450条职位信息。通过对这些职位信息的分析和建模来给你答案。

第一部分,数据分析职位信息抓取

数据分析师的收入怎么样?哪些因素对于数据分析的薪资影响最大?哪些行业对数据分析人才的需求量最高?我想跳槽,应该选择大公司大平台还是初创的小公司?按我目前的教育程度,工作经验,和掌握的工具和技能,能获得什么样水平的薪资呢?

我们使用python抓取了2017年6月26日拉钩网站内搜索“数据分析”关键词下的450条职位信息。通过对这些职位信息的分析和建模来给你答案。

数据分析行业薪资的秘密,你想知道的都在这里(1)

本系列文章共分为五个部分,分别是数据分析职位信息抓取,数据清洗及预处理,数据分析职位需求分析,数据分析职位薪影响因素分析,以及数据分析职位薪资建模及预测。这是第一篇:数据分析职位信息抓取。

数据抓取前的准备工作

首先我们需要获取职位信息的数据,方法是使用python进行抓取。整个抓取过程分为两部分,第一部分是抓取拉钩列表页中包含的职位信息,例如职位名称,薪资范围,学历要求,工作地点等。第二部分是抓取每个职位详情页中的任职资格和职位描述信息。然后我们将使用结巴分词和nltk对职位描述中的文字信息进行处理和信息提取。下面我们开始介绍每一步的操作过程。

首先,导入抓取和数据处理所需的库文件,这里不再赘述。

#导入抓取所需库文件

import requests

import numpy as np

import pandas as pd

import json

import time

from bs4 import BeautifulSoup

然后设置头部信息和Cookie信息。

#设置头部信息

headers = {‘User-Agent’:’Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11′,

‘Accept’:’text/html;q=0.9,*/*;q=0.8′,

‘Accept-Charset’:’ISO-8859-1,utf-8;q=0.7,*;q=0.3′,

‘Connection’:’close’,

‘Referer’:’https://www.baidu.com/’

}

#设置Cookie信息

cookie={‘TrackID’:’1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA’,

‘__jda’:’122270672.1507607632.1423495705.1479785414.1479794553.92′,

‘__jdb’:’122270672.1.1507607632|92.1479794553′,

‘__jdc’:’122270672′,

‘__jdu’:’1507607632′,

‘__jdv’:’122270672|direct|-|none|-|1478747025001′,

‘areaId’:’1′,

‘cn’:’0′,

‘ipLoc-djd’:’1-72-2799-0′,

‘ipLocation’:’%u5317%u4EAC’,

‘mx’:’0_X’,

‘rkv’:’V0800′,

‘user-key’:’216123d5-4ed3-47b0-9289-12345′,

‘xtest’:’4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b’}

抓取职位列表信息

设置要抓取的页面URL,拉钩的职位信息列表是JS动态加载的,不在所显示的页面URL中。所以直接抓取列表页并不能获得职位信息。这里我们使用Chrome浏览器里的开发者工具进行查找。具体方法是在商品详情页点击鼠标右键,选择检查,在弹出的开发者工具界面中选择Network,设置为禁用缓存(Disable cache)和只查看XHR类型的请求。然后刷新页面。一共有4个请求,选择包含positionAjax关键字的链接就是我们要抓取的URL地址。具体过程如下面截图所示。

数据分析行业薪资的秘密,你想知道的都在这里(1)

 

这里有一个问题,要抓取的URL地址中只有第一页的15个职位信息,并且URL参数中也没有包含页码。而我们要抓取的是全部30多页的职位列表。如何翻页呢?后面我们将解决这个问题。

#设置抓取页面的URL

url=’https://www.lagou.com/jobs/positionAjax.jsonneedAddtionalResult=false’

职位列表中包含了多个职位相关的信息,我们先建立一些空list用于存储这些信息。

#创建list用于存储数据

positionName=[]

workYear=[]

education=[]

district=[]

jobNature=[]

salary=[]

city=[]

businessZones=[]

companyLabelList=[]

companySize=[]

financeStage=[]

industryField=[]

secondType=[]

positionId=[]

开始抓取列表页中的职位信息,建立一个30页的循环然后将页码作为请求参数与头部信息和Cookie一起传给服务器。获取返回的信息后对页面内容进行解码,然后从json数据中提取所需的职位信息,并保存在上一步创建的list中。用于后续的组表。这里的最后一个信息是职位id,也就是拉钩职位详情页URL中的一部分。通过这个id我们可以生成与列表页职位相对应的详情页URL。并从中提取任职资格和职位描述信息。

#循环抓取列表页信息

for x in range(1,31):

#设置查询关键词及当前页码

para = {‘first’: ‘true’,’pn’: x, ‘kd’: “数据分析”}

#抓取列表页信息

r=requests.get(url=url,headers=headers,cookies=cookie,params=para)

#存储bytes型页面数据

html=r.content

#对页面内容进行解码

html = html.decode()

#将json串转化为dict

html_json=json.loads(html)

#逐层获取职位列表信息

content=html_json.get(‘content’)

positionResult=content.get(‘positionResult’)

result=positionResult.get(‘result’)

#循环提取职位列表中的关键信息

for i in result:

#获取职位名称,工作年限,教育程度,城市及薪资范围等信息。

positionName.append(i.get(‘positionName’))

workYear.append(i.get(‘workYear’))

education.append(i.get(‘education’))

district.append(i.get(‘district’))

jobNature.append(i.get(‘jobNature’))

salary.append(i.get(‘salary’))

city.append(i.get(‘city’))

businessZones.append(i.get(‘businessZones’))

companyLabelList.append(i.get(‘companyLabelList’))

companySize.append(i.get(‘companySize’))

financeStage.append(i.get(‘financeStage’))

industryField.append(i.get(‘industryField’))

secondType.append(i.get(‘secondType’))

#获取职位的Id编码。

positionId.append(i.get(‘positionId’))

设置一个当前的日期字段,用于标记数据获取的时间。

#设置日期字段

date=time.strftime(‘%Y-%m-%d’,time.localtime(time.time()))

将前面抓取到的职位信息,以及当前的日期一起组成Dataframe。便于后续的处理和分析。

 

#设置DataFrame表格顺序
columns = ['date','positionName', 

'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','d

istrict','secondType','positionId']
#将获取到的字段信息合并为DataFrame
table=pd.DataFrame({'date':date,
                    'positionName':positionName,
                    'workYear':workYear,
                    'education':education,
                    'jobNature':jobNature,
                    'businessZones':businessZones,
                    'salary':salary,
                    'city':city,
                    'companyLabelList':companyLabelList,
                    'companySize':companySize,
                    'financeStage':financeStage,
                    'industryField':industryField,
                    'district':district,
                    'secondType':secondType,
                    'positionId':positionId},
                    columns=columns)

查看生成的数据表,其中包含了我们在列表页中抓取的信息,以及下一步要使用的职位id信息。

#查看数据表

table

数据分析行业薪资的秘密,你想知道的都在这里(1)

 

这里你可以保存一个版本,也可以忽略这一步,继续后面的职位详情页信息抓取。

#存储数据表

table.to_csv(‘lagou_’ + date + ‘.csv’)

抓取职位详情信息(职位描述)

抓取职位详情页的信息,首先需要通过拼接生成职位详情页的URL。我们预先写好URL的开始和结束部分,这两部分是固定的,抓取过程中不会发生变化,中间动态填充职位的id。

#设置详情页的URL固定部分

url1=’https://www.lagou.com/jobs/’

url2=’.html’

创建一个list用于存储抓取到的职位描述信息。

#创建job_detail用于存储职位描述

job_detail=[]

从前面抓取的职位id(positionId)字段循环提取每一个id信息,与URL的另外两部分组成要抓取的职位详情页URL。并从中提取职位描述信息。这里的职位信息不是js动态加载的,因此直接抓取页面信息保存在之前创建的list中就可以了。

#循环抓取详情页的职位描述

for d in positionId:

#更改positionId格式

d=str(d)

#拼接详情页URL

url3=(url1 + d + url2)

#抓取详情页信息

r=requests.get(url=url3,headers=headers,cookies=cookie)

#存储bytes型页面数据yu

detail=r.content

#创建 beautifulsoup 对象

lagou_detail=BeautifulSoup(detail)

#提取职位描述信息

gwzz=lagou_detail.find_all(‘dd’,attrs={‘class’:’job_bt’})

for j in gwzz:

gwzz_text=j.get_text()

job_detail.append(gwzz_text)

查看并检查一下提取到的职位描述信息。然后将职位描述信息拼接到之前创建的Dataframe中。

#查看职位描述信息

job_detail

数据分析行业薪资的秘密,你想知道的都在这里(1)

 

完整的职位抓取代码

以下是完整的抓取代码,步骤和前面介绍的略有不同,最后生成一个包含所有职位信息和描述的完整数据表。用于下一步的数据清洗,预处理,分析和建模的工作。

def lagou(p):
import requests
import numpy as np
import pandas as pd
import json
import time
from bs4 import BeautifulSoup
import jieba as jb
import jieba.analyse
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept':'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Connection':'close',
'Referer':'https://www.jd.com/'
}
cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA',
'__jda':'122270672.1507607632.1423495705.1479785414.1479794553.92',
'__jdb':'122270672.1.1507607632|92.1479794553',
'__jdc':'122270672',
'__jdu':'1507607632',
'__jdv':'122270672|direct|-|none|-|1478747025001',
'areaId':'1',
'cn':'0',
'ipLoc-djd':'1-72-2799-0',
'ipLocation':'%u5317%u4EAC',
'mx':'0_X',
'rkv':'V0800',
'user-key':'216123d5-4ed3-47b0-9289-12345',
'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'}
url='https://www.lagou.com/jobs/positionAjax.jsonneedAddtionalResult=false'
positionName=[]
workYear=[]
education=[]
district=[]
jobNature=[]
salary=[]
city=[]
businessZones=[]
companyLabelList=[]
companySize=[]
financeStage=[]
industryField=[]
secondType=[]
positionId=[]
for x in range(1,31):
para = {'first': 'true','pn': x, 'kd': p}
r=requests.get(url=url,headers=headers,cookies=cookie,params=para)
html=r.content
html = html.decode()
html_json=json.loads(html)
content=html_json.get('content')
positionResult=content.get('positionResult')
result=positionResult.get('result')
for i in result:
positionName.append(i.get('positionName'))
workYear.append(i.get('workYear'))
education.append(i.get('education'))
district.append(i.get('district'))
jobNature.append(i.get('jobNature'))
salary.append(i.get('salary'))
city.append(i.get('city'))
businessZones.append(i.get('businessZones'))
companyLabelList.append(i.get('companyLabelList'))
companySize.append(i.get('companySize'))
financeStage.append(i.get('financeStage'))
industryField.append(i.get('industryField'))
secondType.append(i.get('secondType'))
positionId.append(i.get('positionId'))
url1='https://www.lagou.com/jobs/'
url2='.html'
job_detail=[]
for d in positionId:
d=str(d)
url3=(url1 + d + url2)
r=requests.get(url=url3,headers=headers,cookies=cookie)
detail=r.content
lagou_detail=BeautifulSoup(detail)
gwzz=lagou_detail.find_all('dd',attrs={'class':'job_bt'})   
for j in gwzz:
gwzz_text=j.get_text()
job_detail.append(gwzz_text)
date=time.strftime('%Y-%m-%d',time.localtime(time.time()))
columns = ['date','positionName', 'workYear','education','jobNature','businessZones','salary','city','companyLabelList','companySize','financeStage','industryField','district','secondType','positionId','job_detail']
table=pd.DataFrame({'date':date,
'positionName':positionName,
'workYear':workYear,
'education':education,
'jobNature':jobNature,
'businessZones':businessZones,
'salary':salary,
'city':city,
'companyLabelList':companyLabelList,
'companySize':companySize,
'financeStage':financeStage,
'industryField':industryField,
'district':district,
'secondType':secondType,
'positionId':positionId,
'job_detail':job_detail},
columns=columns)
table.to_csv('lagou_' + p + date + '.csv')
lagou("数据分析")

 

数据分析行业薪资的秘密,你想知道的都在这里(1)

到这里我们已经获取了拉钩网的450个数据分析职位信息及职位描述。我们将在后面的文章中对这450个职位信息进行分析和建模。

本文为专栏文章,来自:蓝鲸,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/47409.html 。

(0)
上一篇 2017-08-12 05:44
下一篇 2017-08-14 04:48

相关文章

关注我们
关注我们
分享本页
返回顶部