Python（selenium）爬取拉勾网招聘信息并可视化分析-附代码_爬虫可视化分析项目源码

  我的工作和数据分析相关，刚好最近也接触点爬虫，也想看看招聘网站的数据分析的要求是什么，就用爬虫爬下来分析分析

接触爬虫不多，什么代理池，cookie池还没有接触过，这个以后肯定要了解。   

  1、分析页面

先分析下拉钩的页面，是通过ajax方式动态显示的，提交的参数是页数，通过post方式进行提交，代码验证

最后返回来的是：{'success': False, 'msg': '您操作太频繁,请稍后再访问', 'clientIp': '113.14.1.254'}，但这个状态的statues_code是200(成功返回了请求），代码中的headers是基本上把浏览器下面的request的headers原封不动的复制过来，还是这种情况，之后我换了一个新的账号（新的cookies）,不同的网络情况下（不同ip）,基本上排除了ip被封的情况，我现在还没有找到原因，猜测是因为是动态cookies的缘故。

2、我只是为了获取数据，没有没有必要在这个地方硬嗑，我选择了selenium进行硬怼，主要爬取 全国+13个主要城市，

因为要爬取的是详情页（静态页面）：

所以需要先找到每个页面对应的ID,这个ID在主页面的这个位置，通过selenium点击下一页，分别将每一页的ID找出来储存起来。

通过selenium爬取这个需要注意三点：

（1）、第一个坑：它是通过找到“下一页”按钮进行点击来翻页的，但是你打开页面并不能找到“下一页”这个element，因为它是ajax渲染的页面，你必须下拉到最下面刷新出完整页面才能找到“下一页”并点击。

（2）、第二个坑：切换城市是通过循环点击主要城市element刷新出每一个城市的页面的，但是在点击第二个城市的element来刷新页面时会出现 StaleElemeReferenceException错误，出现这个错误的原因是点击的element在新的页面找不到，因为element是刷新第一个城市时候出现的，所以需要切换到下一个城市的时候得刷新下页面。

（3）、第三个坑：有的城市的职位比较少，只有一页，所以你寻找“下一页”element并点击的时候是找不到的，所以遇到这种情况做好错误的处理工作。

代码如下：

class reptile_lagou():
	def __init__(self):
		# self.city_page = {'全国':30,'北京':30,'上海':30,'深圳':21,'广州':16,'杭州':12,'成都':4}
		# self.list_ = [] #用来储存
		self.headers = {
		'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
		'Accept-Encoding': 'gzip,deflate,br',
		'Accept-Language': 'zh-CN,zh;q=0.9',
		'Cache-Control':'max-age=0',
		'Connection': 'keep-alive',
		'Host':'www.lagou.com',
		'Upgrade-Insecure-Requests':'1',
		'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
		}
 
		self.list_id = []                #用来储存详情页ID的列表
		self.next_page_element = [1]     #用来储存下一页的element
		self.city_element = ''          #用来储存主要城市的element,用于循环遍历
		self.error = []                 #爬虫中出现的错误储存在这里
		self.code = []   				#爬虫中出错的网页code放在这里
 
 
	def loginSys(self,username='爱丽丝的梦幻王国', password='匹诺曹的性感嘴唇'):
		self.driver = webdriver.Chrome()
 
		'''
	    登陆
	    利用webdriver驱动打开浏览器，操作页面
	    此处使用goole浏览器
	    '''
 
		print('开始登陆')
		target = 'https://passport.lagou.com/login/login.html?service=https%3a%2f%2fwww.lagou.com%2f'
		self.driver.get(target)
		self.driver.implicitly_wait(0.1) #隐式等待0.1s
		LoginTitle = self.driver.title
		result = self.driver.title
		if LoginTitle == result:
			self.driver.find_element_by_xpath("//*[@placeholder='请输入常用手机号/邮箱']").send_keys(username)
			time.sleep(0.6)  # 停顿模拟真实操作情况，降低被网站发现的几率
			self.driver.find_element_by_xpath("//*[@placeholder='请输入密码']").send_keys(password)
			time.sleep(0.6)  # 停顿模拟真实操作情况，降低被网站发现的几率
			self.driver.find_element_by_xpath("//*[@data-lg-tj-id='1j90']").click()  # 点击登录
		self.find_company_id()
	def find_company_id(self):
		'''找到每个详情页的id'''
		time.sleep(12)                                           # 此处停留20s,因为拉勾网有一个图像验证码，给20s来识别
		z = '北京'  #刚开始赋值一个北京
		input = self.driver.find_element_by_id('search_input') #找到输入框
		input.send_keys('算法工程师')                             #输入数据分析
		input.send_keys(Keys.ENTER)
		time.sleep(5)
		list_ = ['北京']+[j for j in range(13)]
		for i in list_:
			self.driver.refresh() #得重新刷新页面，才能找到hot-city-name
			if i != '北京':
				self.driver.implicitly_wait(3)  # 隐式等待3s
				self.city_element = self.driver.find_elements(By.CLASS_NAME,'hot-city-name')
				j = self.city_element[i]
				z = j.text
				j.click()
				self.next_page_element = list(str(i))
				self.driver.implicitly_wait(1)
			while self.next_page_element: #在一个城市的页数内，不断的循环将页面中公司的ID保存下来
				try:
					print(z)
					idlist = self.driver.find_elements_by_xpath("//li[@data-positionid]")
					idlist = [i.get_attribute('data-positionid') for i in idlist]
					self.list_id += idlist
					time.sleep(6)
					#one #通过滑动到最下面才能点击按钮,原因未知
					js = "window.scrollTo(0,document.body.scrollheight)"        #一下滑到页面的底部
					self.driver.execute_script(js)
					next_page = self.driver.find_element_by_class_name("pager_next")
					print(next_page)
					print(next_page.tag_name)
					self.next_page_element.append(next_page)
					if self.next_page_element[-2] == self.next_page_element[-1]: #如果下一页的element相同，则跳出循环
						self.next_page_element = []
					next_page.click()
					self.driver.implicitly_wait(10)  # 隐式等待4s
				except StaleElementReferenceException: #不再位于同一页面上，或者自元素找到后页面可能已刷新
					print('不在位于同一个页面，将重新刷新')
					self.driver.refresh() #一旦出现错误重新刷新页面
					time.sleep(2)
				except NoSuchElementException:#无法找到元素时抛出,此种情况是针对那些只有一个页面的城市
					print('此城市只有一页职位...')
					break
				finally:
					print(self.list_id)
					print(len(self.list_id))
		else:
			self.list_ = []  #去掉那些因为多取最后一页的重复ID
			for i in self.list_id:
				if i not in self.list_:
					self.list_.append(i)
			pd.DataFrame({'conmpany_id':self.list_}).to_excel(r'C:\Users\lenovo\Desktop\company_id2.xlsx')
			self.id_content()
	def id_content(self):
		self.industry_size_state,self.un_time,self.address,self.jb_,self.company,self.income,self.city,self.experience,self.Education,self.time,self.label = [],[],[],[],[],[],[],[],[],[],[]
		print('开始爬取...')
		for q in self.list_:
			time.sleep(random.randint(16,20)) ##爬取每页的时候停止16-20s,防止被封
			print('第%d页'%(self.list_.index(q)+1))
			url = r'https://www.lagou.com/jobs/%s.html'%q
			r = requests.get(
				url, headers=self.headers,verify=False)
			soup = BeautifulSoup(r.content, 'lxml')
			try:
				self.company.append(soup.find_all('div',class_ = 'company')[0].get_text()[:-2])
			except:
				self.error.append({(self.list_.index(q)+1):1})
				self.code.append({(self.list_.index(q)+1):r.status_code})
				self.company.append(None)
			try:
				job_request = [i for i in soup.find_all('dd',class_ = 'job_request')[0].get_text().split('\n') if i]
			except Exception as e:
				self.error.append({(self.list_.index(q)+1):2})
				self.code.append({(self.list_.index(q)+1):r.status_code})
				self.income.append(None)
				self.city.append(None)
				self.experience.append(None)
				self.Education.append(None)
				self.time.append(None)
				self.label.append(None)
			else:
				self.income.append(job_request[0])
				self.city.append(job_request[1])
				self.experience.append(job_request[2])
				self.Education.append(job_request[3])
				self.time.append(job_request[-1][:-8])
				self.label.append(','.join(job_request[4:-1]))
			try:
				self.jb_.append([i for i in soup.find_all('div', class_='job-detail')[0].text.split('\n') if i])
			except:
				self.error.append({(self.list_.index(q) + 1): 3})
				self.code.append({(self.list_.index(q)+1):r.status_code})
				self.jb_.append(None)
			try:
				self.address.append(''.join([i.strip() for i in soup.find_all('div',class_ = 'work_addr')[0].text.split('\n') if i][:-1]))
			except:
				self.error.append({(self.list_.index(q) + 1): 4})
				self.address.append(None)
			try:
				self.un_time.append(soup.find_all('span',class_ = 'tip')[2].text.strip())
			except:
				self.error.append({(self.list_.index(q) + 1): 5})
				self.code.append({(self.list_.index(q)+1):r.status_code})
				self.un_time.append(None)
			try:
				self.industry_size_state.append([i.strip() for i in soup.find_all('ul',class_ = 'c_feature')[0].text.split('\n') if i] if len([i.strip() for i in soup.find_all('ul',class_ = 'c_feature')[0].text.split('\n') if i]) == 8 else [i.strip() for i in soup.find_all('ul',class_ = 'c_feature')[0].text.split('\n') if i][:4]+[i.strip() for i in soup.find_all('ul',class_ = 'c_feature')[0].text.split('\n') if i][6:])
			except:
				self.error.append({(self.list_.index(q) + 1): 6})
				self.code.append({(self.list_.index(q)+1):r.status_code})
				self.industry_size_state.append(None)
			print(self.error)
			print(self.code)
 
		else:
			print('爬取完毕')
			print(self.error)
			print(self.code)
			pd.DataFrame({'公司':self.company,'薪资':self.income,'城市':self.city,'经验':self.experience,'学历':self.Education,'发布时间':self.time,
						  '职业标签':self.label,'工作描述':self.jb_,'工作地址':self.address,'hr活跃时间':self.un_time,'行业_发展_大小':self.industry_size_state}).to_excel(r'C:\Users\lenovo\Desktop\lagou_job_details_数据分析师.xlsx')
 
test = reptile_lagou()
test.loginSys()

数据如下：

3、对爬取得数据进行分析

（1）、北京数据分析工作位置的分布（因为我在北京啊）

                                                                                图 1 

  把北京的七百多个岗位显示在地图上可以看出，这个岗位集中分布在 海淀区、朝阳区和东西城区且基本在三环之内，预计着通勤时间长，租房成本高的问题，京城居，大不易啊。

此处的代码如下（获取工作地点地理位置的经纬度代码）

data = pd.read_excel(r'C:\Users\lenovo\Desktop\lagou_job_details_数据分析_数据挖掘.xlsx')
data.dropna(subset=['公司'],inplace=True)
data = data.loc[data['工作地址'].notnull(),:]
data['工作地址'] = data['工作地址'].map(lambda x:''.join([i.strip() for i in x.split('-')])).map(lambda x:x if x[:2] == '北京' else None)
data1 = pd.DataFrame()
data1['工作地址'] = data.loc[data['工作地址'].notnull(),'工作地址']
data1['经度'] = np.nan
data1['维度'] = np.nan
 
def getlnglat(address):
	url = 'http://api.map.baidu.com/geocoder/v2/'
	output = 'json'
	ak = '爱丽丝的梦想乐园' # 百度地图ak，具体申请自行百度，提醒需要在“控制台”-“设置”-“启动服务”-“正逆地理编码”，启动
	address = quote(address) # 由于本文地址变量为中文，为防止乱码，先用quote进行编码
	try:
		uri = url + '?' + 'address=' + address  + '&output=' + output + '&ak=' + ak
		req = urlopen(uri)
	except:
		time.sleep(3)
		return None,None
	res = req.read().decode()
	temp = json.loads(res)
	lat = temp['result']['location']['lat']
	lng = temp['result']['location']['lng']
	return lat,lng   # 纬度 latitude,经度 longitude
#
for indexs in data1.index:
 
	get_location = getlnglat(data.loc[indexs,'工作地址'])
	print(get_location)
	get_lat = get_location[0]
	get_lng = get_location[1]
	data1.loc[indexs,'纬度'] = get_lat
	data1.loc[indexs,'经度'] = get_lng
 
data1[data1['经度'].notnull()].to_excel(r'C:\Users\lenovo\Desktop\北京地区工作地点经纬度.xlsx')

把地点的经纬度获取之后用这个软件实现标记：  地图无忧

（2）、各城市工作职位数量和薪资分布

                                                                图 2

                                                               图 3

  从各城市的职位数量可知，北上广深杭的职位是远远多于其余的城市的~

  薪资是对薪资范围的求平均值，发现北京的的数据分析薪资25%分位数，50%分位数，75%分位数都是高于其他城市的，惭愧啊，我拉了大北京数据分析同仁的后腿了，仍需努力啊！

 此处代码如下：

data = pd.read_excel(r'C:\Users\lenovo\Desktop\拉钩网数据分析\lagou_job_details_数据分析_数据挖掘.xlsx')
data.dropna(subset=['公司'],inplace=True)
#各个城市的职位分布
data1 = pd.DataFrame(data['城市'].value_counts()).reset_index().rename(columns ={'index':'城市','城市':'数量'})
data1 = data1[data1['数量'] > 14]
data1['城市'] = data1['城市'].str[1:3]
ax = sns.barplot(x="城市", y="数量", data=data1)
plt.show()
 
data['城市'] = data['城市'].str[1:3]
data['薪资'] = data['薪资'].str.split('-').map(lambda x:np.median((int(re.findall('\d+',x[0])[0]),int(re.findall('\d+',x[1])[0])))) #取得每个薪资范围的平均值
data = data.loc[data['城市'].notnull(),]
g = sns.boxplot(x="城市", y="薪资",order=['北京','上海','广州','杭州','成都','武汉','南京','长沙','厦门','苏州'],data=data)
plt.show()

（3）、各个行业的职位数量分布

                                                                   图 4

  数据分析岗位还是主要分布在分布在 互联网、数据行业和金融行业，传统行业对数据分析还是需求较少~符合我们的认知。

此处代码如下：

data = pd.read_excel(r'C:\Users\lenovo\Desktop\拉钩网数据分析\lagou_job_details_数据分析_数据挖掘.xlsx')
data.dropna(subset=['公司'],inplace=True)
data['行业'] = data['行业_发展_大小'].map(lambda x:[i.replace("'",'') for i in x[1:-1].split("', '")][0])
data['行业'] = data['行业'].map(lambda x: '移动互联网' if '移动互联网' in x else '金融' if '金融' in x else '020' if '020' in x else '数据行业' if '数据' in x else '电子商务' if '商务' in x else '服务' if '服务' in x else x)
data1 = pd.DataFrame(data['行业'].value_counts()).reset_index().rename(columns ={'index':'行业','行业':'数量'})
data1 = data1[data1['数量'] > 20]
ax = sns.barplot(x="行业", y="数量", data=data1)
plt.show()

（4）、岗位薪资和学习以及工作经验的关系

                                                                  图 5 

   从图上可以看出，  薪资受工作经验较大，在工作1-3年之后薪资有个大幅度的上升，其次数据分析学历也主要倾向于本科及硕士。

上图代码如下：

data['薪资'] = data['薪资'].str.split('-').map(lambda x:np.median((int(re.findall('\d+',x[0])[0]),int(re.findall('\d+',x[1])[0]))))
data['学历'] = data['学历'].str.split('/').map(lambda x:x[0]).str.strip()
data['经验'] = data['经验'].str.split('/').map(lambda x:x[0]).str.strip()
data = data.loc[data['薪资'] <40,]
ax = sns.boxplot(x="学历", y="薪资",hue = '经验', data=data,palette="Set3",order=['学历不限','大专及以上','本科及以上','硕士及以上','博士及以上'],hue_order=['经验不限','经验应届毕业生','经验1年以下','经验1-3年','经验3-5年','经验5-10年','经验10年以上'])
plt.show()

（5）、公司大小和薪资的关系

  在拉钩上，2000人以上的和500-2000人以上的公司占了50%，招数据分析的还是大公司居多，从薪资和公司的规模的图可以看出，2000人以上的薪资各个分位数的薪资都是 高于中小型公司的，所以选择大公司没有错~

上图代码如下：

data = pd.read_excel(r'C:\Users\lenovo\Desktop\拉钩网数据分析\lagou_job_details_数据分析_数据挖掘.xlsx')
data.dropna(subset=['公司'],inplace=True)
data['薪资'] = data['薪资'].str.split('-').map(lambda x:np.median((int(re.findall('\d+',x[0])[0]),int(re.findall('\d+',x[1])[0]))))
data['规模'] = data['行业_发展_大小'].map(lambda x:[i.strip() for i in x[1:-1].split(",") if '人' in i][-1][1:-1] if len([i.strip()  for i in x[1:-1].split(",") if '人' in i])>0 else np.nan)
del data['行业_发展_大小']
data = data.loc[(data['规模'].notnull()) & (data['薪资']<60), ]
 
 
ax = sns.boxplot(x="规模", y="薪资",data = data,palette="Set3",order = ['2000人以上','500-2000人','150-500人', '50-150人', '15-50人','少于15人'])
plt.show()

（6）待续~