Python爬取招聘網(wǎng)站數(shù)據(jù)，利用Tableau可視化交互大屏，指導你如何學習、找工作!
1、項目背景
?隨著科技的飛速發(fā)展，數(shù)據(jù)呈現(xiàn)爆發(fā)式的增長，任何人都擺脫不了與數(shù)據(jù)打交道，社會對于“數(shù)據(jù)”方面的人才需求也在不斷增大。因此了解當下企業(yè)究竟需要招聘什么樣的人才？需要什么樣的技能？不管是對于在校生，還是對于求職者來說，都顯得很有必要。
?本文基于這個問題，針對51job招聘網(wǎng)站，爬取了全國范圍內(nèi)大數(shù)據(jù)、數(shù)據(jù)分析、數(shù)據(jù)挖掘、機器學習、人工智能等相關崗位的招聘信息。分析比較了不同崗位的薪資、學歷要求；分析比較了不同區(qū)域、行業(yè)對相關人才的需求情況；分析比較了不同崗位的知識、技能要求等。
?做完以后的項目效果如下：
動態(tài)效果如下：
2、信息的爬取
(基于51job招聘網(wǎng)站的數(shù)據(jù)爬取)
爬取崗位：大數(shù)據(jù)、數(shù)據(jù)分析、機器學習、人工智能等相關崗位；
爬取字段：公司名、崗位名、工作地址、薪資、發(fā)布時間、工作描述、公司類型、員工人數(shù)、所屬行業(yè)；
說明：基于51job招聘網(wǎng)站，我們搜索全國對于“數(shù)據(jù)”崗位的需求，大概有2000頁。我們爬取的字段，既有一級頁面的相關信息，還有二級頁面的部分信息；
爬取思路：先針對某一頁數(shù)據(jù)的一級頁面做一個解析，然后再進行二級頁面做一個解析，最后再進行翻頁操作；
使用工具：Python+requests+lxml+pandas+time
網(wǎng)站解析方式：Xpath
1）導入相關庫
import requests
import pandas as pd
from pprint import pprint
from lxml import etree
import time
import warnings
warnings.filterwarnings("ignore")
2）關于翻頁的說明
# 第一頁的特點
https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,1.html?
# 第二頁的特點
https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,2.html?
# 第三頁的特點
https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,3.html?
注意：通過對于頁面的觀察，可以看出，就一個地方的數(shù)字變化了，因此只需要做字符串拼接，然后循環(huán)爬取即可。
3）完整的爬取代碼
import requests
import pandas as pd
from pprint import pprint
from lxml import etree
import time
import warnings
warnings.filterwarnings("ignore")
for i in range(1,1501):
print("正在爬取第" + str(i) + "頁的數(shù)據(jù)")
url_pre = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE,2,"
url_end = ".html?"
url = url_pre + str(i) + url_end
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
web = requests.get(url, headers=headers)
web.encoding = "gbk"
dom = etree.HTML(web.text)
# 1、崗位名稱
job_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@title')
# 2、公司名稱
company_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t2"]/a[@target="_blank"]/@title')
# 3、工作地點
address = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t3"]/text()')
# 4、工資
salary_mid = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t4"]')
salary = [i.text for i in salary_mid]
# 5、發(fā)布日期
release_time = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t5"]/text()')
# 6、獲取二級網(wǎng)址url
deep_url = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@href')
RandomAll = []
JobDescribe = []
CompanyType = []
CompanySize = []
Industry = []
for i in range(len(deep_url)):
web_test = requests.get(deep_url[i], headers=headers)
web_test.encoding = "gbk"
dom_test = etree.HTML(web_test.text)
# 7、爬取經(jīng)驗、學歷信息，先合在一個字段里面，以后再做數(shù)據(jù)清洗。命名為random_all
random_all = dom_test.xpath('//div[@class="tHeader tHjob"]//div[@class="cn"]/p[@class="msg ltype"]/text()')
# 8、崗位描述性息
job_describe = dom_test.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/p/text()')
# 9、公司類型
company_type = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[1]/@title')
# 10、公司規(guī)模(人數(shù))
company_size = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[2]/@title')
# 11、所屬行業(yè)(公司)
industry = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[3]/@title')
# 將上述信息保存到各自的列表中
RandomAll.append(random_all)
JobDescribe.append(job_describe)
CompanyType.append(company_type)
CompanySize.append(company_size)
Industry.append(industry)
# 為了反爬，設置睡眠時間
time.sleep(1)
# 由于我們需要爬取很多頁，為了防止最后一次性保存所有數(shù)據(jù)出現(xiàn)的錯誤，因此，我們每獲取一夜的數(shù)據(jù)，就進行一次數(shù)據(jù)存取。
df = pd.DataFrame()
df["崗位名稱"] = job_name
df["公司名稱"] = company_name
df["工作地點"] = address
df["工資"] = salary
df["發(fā)布日期"] = release_time
df["經(jīng)驗、學歷"] = RandomAll
df["公司類型"] = CompanyType
df["公司規(guī)模"] = CompanySize
df["所屬行業(yè)"] = Industry
df["崗位描述"] = JobDescribe
# 這里在寫出過程中，有可能會寫入失敗，為了解決這個問題，我們使用異常處理。
try:
df.to_csv("job_info.csv", mode="a+", header=None, index=None, encoding="gbk")
except:
print("當頁數(shù)據(jù)寫入失敗")
time.sleep(1)
print("數(shù)據(jù)爬取完畢，是不是很開心！！！")
這里可以看到，我們爬取了1000多頁的數(shù)據(jù)做最終的分析。因此每爬取一頁的數(shù)據(jù)，做一次數(shù)據(jù)存儲，避免最終一次性存儲導致失敗。同時根據(jù)自己的測試，有一些頁數(shù)進行數(shù)據(jù)存儲，會導致失敗，為了不影響后面代碼的執(zhí)行，我們使用了“try-except”異常處理。
?在一級頁面中，我們爬取了“崗位名稱”，“公司名稱”，“工作地點”，“工資”，“發(fā)布日期”，“二級網(wǎng)址的url”這幾個字段。
?在二級頁面中，我們爬取了“經(jīng)驗、學歷信息”，“崗位描述”，“公司類型”，“公司規(guī)模”，“所屬行業(yè)”這幾個字段。
3、數(shù)據(jù)預處理
?從爬取到的數(shù)據(jù)中截取部分做了一個展示，可以看出數(shù)據(jù)很亂。雜亂的數(shù)據(jù)并不利于我們的分析，因此需要根據(jù)研究的目標做一個數(shù)據(jù)預處理，得到我們最終可以用來做可視化展示的數(shù)據(jù)。
1）相關庫的導入及數(shù)據(jù)的讀取
df = pd.read_csv(r"G:\8泰迪\python_project\51_job\job_info1.csv",engine="python",header=None)
# 為數(shù)據(jù)框指定行索引
df.index = range(len(df))
# 為數(shù)據(jù)框指定列索引
df.columns = ["崗位名","公司名","工作地點","工資","發(fā)布日期","經(jīng)驗與學歷","公司類型","公司規(guī)模","行業(yè)","工作描述"]
2）數(shù)據(jù)去重
我們認為一個公司的公司名和和發(fā)布的崗位名一致，就看作是重復值。因此，使用drop_duplicates(subset=[])函數(shù)，基于“崗位名”和“公司名”做一個重復值的剔除。
# 去重之前的記錄數(shù)
print("去重之前的記錄數(shù)",df.shape)
# 記錄去重
df.drop_duplicates(subset=["公司名","崗位名"],inplace=True)
# 去重之后的記錄數(shù)
print("去重之后的記錄數(shù)",df.shape)
3）崗位名字段的處理
① 崗位名字段的探索
df["崗位名"].value_counts()
df["崗位名"] = df["崗位名"].apply(lambda x:x.lower())
說明：首先我們對每個崗位出現(xiàn)的頻次做一個統(tǒng)計，可以看出“崗位名字段”太雜亂，不便于我們做統(tǒng)計分析。接著我們將崗位名中的大寫英文字母統(tǒng)一轉(zhuǎn)換為小寫字母，也就是說“AI”和“Ai”屬于同一個東西。
② 構造想要分析的目標崗位，做一個數(shù)據(jù)篩選
job_info.shape
target_job = ['算法', '開發(fā)', '分析', '工程師', '數(shù)據(jù)', '運營', '運維']
index = [df["崗位名"].str.count(i) for i in target_job]
index = np.array(index).sum(axis=0) > 0
job_info = df[index]
job_info.shape
說明：首先我們構造了如上七個目標崗位的關鍵字眼。然后利用count()函數(shù)統(tǒng)計每一條記錄中，是否包含這七個關鍵字眼，如果包含就保留這個字段，不過不包含就刪除這個字段。最后查看篩選之后還剩余多少條記錄。
③ 目標崗位標準化處理(由于目標崗位太雜亂，我們需要統(tǒng)一一下)
job_list = ['數(shù)據(jù)分析', "數(shù)據(jù)統(tǒng)計","數(shù)據(jù)專員",'數(shù)據(jù)挖掘', '算法',
'大數(shù)據(jù)','開發(fā)工程師', '運營', '軟件工程', '前端開發(fā)',
'深度學習', 'ai', '數(shù)據(jù)庫', '數(shù)據(jù)庫', '數(shù)據(jù)產(chǎn)品',
'客服', 'java', '.net', 'andrio', '人工智能', 'c++',
'數(shù)據(jù)管理',"測試","運維"]
job_list = np.array(job_list)
def rename(x=None,job_list=job_list):
index = [i in x for i in job_list]
if sum(index) > 0:
return job_list[index][0]
else:
return x
job_info["崗位名"] = job_info["崗位名"].apply(rename)
job_info["崗位名"].value_counts()
# 數(shù)據(jù)統(tǒng)計、數(shù)據(jù)專員、數(shù)據(jù)分析統(tǒng)一歸為數(shù)據(jù)分析
job_info["崗位名"] = job_info["崗位名"].apply(lambda x:re.sub("數(shù)據(jù)專員","數(shù)據(jù)分析",x))
job_info["崗位名"] = job_info["崗位名"].apply(lambda x:re.sub("數(shù)據(jù)統(tǒng)計","數(shù)據(jù)分析",x))
說明：首先我們定義了一個想要替換的目標崗位job_list，將其轉(zhuǎn)換為ndarray數(shù)組。然后定義一個函數(shù)，如果某條記錄包含job_list數(shù)組中的某個關鍵詞，那么就將該條記錄替換為這個關鍵詞，如果某條記錄包含job_list數(shù)組中的多個關鍵詞，我們只取第一個關鍵詞替換該條記錄。接著使用value_counts()函數(shù)統(tǒng)計一下替換后的各崗位的頻次。最后，我們將“數(shù)據(jù)專員”、“數(shù)據(jù)統(tǒng)計”統(tǒng)一歸為“數(shù)據(jù)分析”。
4）工資水平字段的處理
工資水平字段的數(shù)據(jù)類似于“20-30萬/年”、“2.5-3萬/月”和“3.5-4.5千/月”這樣的格式。我們需要做一個統(tǒng)一的變化，將數(shù)據(jù)格式轉(zhuǎn)換為“元/月”，然后取出這兩個數(shù)字，求一個平均值。
job_info["工資"].str[-1].value_counts()
job_info["工資"].str[-3].value_counts()
index1 = job_info["工資"].str[-1].isin(["年","月"])
index2 = job_info["工資"].str[-3].isin(["萬","千"])
job_info = job_info[index1 & index2]
def get_money_max_min(x):
try:
if x[-3] == "萬":
z = [float(i)*10000 for i in re.findall("[0-9]+\.?[0-9]*",x)]
elif x[-3] == "千":
z = [float(i) * 1000 for i in re.findall("[0-9]+\.?[0-9]*", x)]
if x[-1] == "年":
z = [i/12 for i in z]
return z
except:
return x
salary = job_info["工資"].apply(get_money_max_min)
job_info["最低工資"] = salary.str[0]
job_info["最高工資"] = salary.str[1]
job_info["工資水平"] = job_info[["最低工資","最高工資"]].mean(axis=1)
說明：首先我們做了一個數(shù)據(jù)篩選，針對于每一條記錄，如果最后一個字在“年”和“月”中，同時第三個字在“萬”和“千”中，那么就保留這條記錄，否則就刪除。接著定義了一個函數(shù)，將格式統(tǒng)一轉(zhuǎn)換為“元/月”。最后將最低工資和最高工資求平均值，得到最終的“工資水平”字段。
5）工作地點字段的處理
由于整個數(shù)據(jù)是關于全國的數(shù)據(jù)，涉及到的城市也是特別多。我們需要自定義一個常用的目標工作地點字段，對數(shù)據(jù)做一個統(tǒng)一處理。
#job_info["工作地點"].value_counts()
address_list = ['北京', '上海', '廣州', '深圳', '杭州', '蘇州', '長沙',
'武漢', '天津', '成都', '西安', '東莞', '合肥', '佛山',
'寧波', '南京', '重慶', '長春', '鄭州', '常州', '福州',
'沈陽', '濟南', '寧波', '廈門', '貴州', '珠海', '青島',
'中山', '大連','昆山',"惠州","哈爾濱","昆明","南昌","無錫"]
address_list = np.array(address_list)
def rename(x=None,address_list=address_list):
index = [i in x for i in address_list]
if sum(index) > 0:
return address_list[index][0]
else:
return x
job_info["工作地點"] = job_info["工作地點"].apply(rename)
說明：首先我們定義了一個目標工作地點列表，將其轉(zhuǎn)換為ndarray數(shù)組。接著定義了一個函數(shù)，將原始工作地點記錄，替換為目標工作地點中的城市。
6）公司類型字段的處理
這個很容易，就不詳細說明了。
job_info.loc[job_info["公司類型"].apply(lambda x:len(x)<6),"公司類型"] = np.nan
job_info["公司類型"] = job_info["公司類型"].str[2:-2]
7）行業(yè)字段的處理
每個公司的行業(yè)字段可能會有多個行業(yè)標簽，但是我們默認以第一個作為該公司的行業(yè)標簽。
# job_info["行業(yè)"].value_counts()
job_info["行業(yè)"] = job_info["行業(yè)"].apply(lambda x:re.sub(",","/",x))
job_info.loc[job_info["行業(yè)"].apply(lambda x:len(x)<6),"行業(yè)"] = np.nan
job_info["行業(yè)"] = job_info["行業(yè)"].str[2:-2].str.split("/").str[0]
8）經(jīng)驗與學歷字段的處理
關于這個字段的數(shù)據(jù)處理，我很是思考了一會兒，不太好敘述，放上代碼自己下去體會。
job_info["學歷"] = job_info["經(jīng)驗與學歷"].apply(lambda x:re.findall("本科|大專|應屆生|在校生|碩士",x))
def func(x):
if len(x) == 0:
return np.nan
elif len(x) == 1 or len(x) == 2:
return x[0]
else:
return x[2]
job_info["學歷"] = job_info["學歷"].apply(func)
9）工作描述字段的處理
對于每一行記錄，我們?nèi)コＳ迷~以后，做一個jieba分詞。
with open(r"G:\8泰迪\python_project\51_job\stopword.txt","r") as f:
stopword = f.read()
stopword = stopword.split()
stopword = stopword + ["任職","職位"," "]
job_info["工作描述"] = job_info["工作描述"].str[2:-2].apply(lambda x:x.lower()).apply(lambda x:"".join(x))\
.apply(jieba.lcut).apply(lambda x:[i for i in x if i not in stopword])
job_info.loc[job_info["工作描述"].apply(lambda x:len(x) < 6),"工作描述"] = np.nan
10）公司規(guī)模字段的處理
#job_info["公司規(guī)模"].value_counts()
def func(x):
if x == "['少于50人']":
return "<50"
elif x == "['50-150人']":
return "50-150"
elif x == "['150-500人']":
return '150-500'
elif x == "['500-1000人']":
return '500-1000'
elif x == "['1000-5000人']":
return '1000-5000'
elif x == "['5000-10000人']":
return '5000-10000'
elif x == "['10000人以上']":
return ">10000"
else:
return np.nan
job_info["公司規(guī)模"] = job_info["公司規(guī)模"].apply(func)
11）構造新數(shù)據(jù)
我們針對最終清洗干凈的數(shù)據(jù)，選取需要分析的字段，做一個數(shù)據(jù)存儲。
feature = ["公司名","崗位名","工作地點","工資水平","發(fā)布日期","學歷","公司類型","公司規(guī)模","行業(yè)","工作描述"]
final_df = job_info[feature]
final_df.to_excel(r"G:\8泰迪\python_project\51_job\詞云圖.xlsx",encoding="gbk",index=None)
4、關于“工作描述”字段的特殊處理
由于我們之后需要針對不同的崗位名做不同的詞云圖處理，并且是在tableau中做可視化展示，因此我們需要按照崗位名分類，求出不同崗位下各關鍵詞的詞頻統(tǒng)計。
import numpy as np
import pandas as pd
import re
import jieba
import warnings
warnings.filterwarnings("ignore")
df = pd.read_excel(r"G:\8泰迪\python_project\51_job\new_job_info1.xlsx",encoding="gbk")
df
def get_word_cloud(data=None, job_name=None):
words = []
describe = data['工作描述'][data['崗位名'] == job_name].str[1:-1]
describe.dropna(inplace=True)
[words.extend(i.split(',')) for i in describe]
words = pd.Series(words)
word_fre = words.value_counts()
return word_fre
zz = ['數(shù)據(jù)分析', '算法', '大數(shù)據(jù)','開發(fā)工程師', '運營', '軟件工程','運維', '數(shù)據(jù)庫','java',"測試"]
for i in zz:
word_fre = get_word_cloud(data=df, job_name='{}'.format(i))
word_fre = word_fre[1:].reset_index()[:100]
word_fre["崗位名"] = pd.Series("{}".format(i),index=range(len(word_fre)))
word_fre.to_csv(r"G:\8泰迪\python_project\51_job\詞云圖\bb.csv", mode='a',index=False, header=None,encoding="gbk")
5、tableau可視化展示
1) 熱門城市的用人需求TOP10
2）熱門城市的崗位數(shù)量TOP10
3）不同工作地點崗位數(shù)量的氣泡圖
4）熱門崗位的薪資待遇
5）熱門行業(yè)的薪資待遇
6）可視化大屏的最終展示
7）可視化大屏的“動態(tài)”展示
說明：這里最終就不做結論分析了，因為結論通過上圖，就可以很清晰的看出來。