Python爬虫爬取智联招聘（进阶版）(1)，Python教程零基础入门_智联招聘爬取

第一步已经将职位地址找到，在浏览器打开之后我们要找到如下几项数据：

在开发者工具中查找这几项数据，如下图所示：

HTML结构如下所示：

数据HTML结构

|------

==>|------

>>|------

>>==>|------

• 工作经验:3-5年

• >>==>|------

• 最低学历:本科

• >>|------

  >>==>|------

  >>>>|------

  >>>>==>|------

  工作职责:

  >>>>==>|------

  ********

  >>>>==>|------

  ********

  # 工作职责详情

  ==>|------

  >>|------

  >>==>|------

  >>>>|------

• 公司规模:100-499人

• 3.2 代码实现

  为了学习一下BeautifulSoup库的使用，我们不再使用正则表达式解析，而是BeautifulSoup库解析HTML标签来获得我们想要得到的内容。

  解析库的安装：pip install beautifulsoup4

  下面介绍一下本例中使用到的功能：

  • 库的引入：from bs4 import BeautifulSoup

  • 数据引入：soup = BeautifulSoup(html, 'html.parser') ，其中html是我们要解析的html源码，html.parser指定HTML的解析器为Python标准库。

  • 查找标签：find(name,attrs,recursive,text,**kwargs)，find返回的匹配结果的第一个元素

  • 查找所有标签：find_all(name,attrs,recursive,text,**kwargs)可以根据标签名，属性，内容查找文档，返回找到的所有元素

  • 获取内容：get_text()就可以获取文本内容

  • 获取子标签：soup.p这种方式就可以获取到soup下的第一个p标签

  ‘’’

  python学习交流群：1136201545更多学习资料可以加群获取

  ‘’’

  def get_job_detail(html):

  requirement = ‘’

  使用BeautifulSoup进行数据筛选

  soup = BeautifulSoup(html, ‘html.parser’)

  找到

  • 标签

  for ul in soup.find_all(‘ul’, class_=‘terminal-ul clearfix’):

  该标签共有8个子标签，分别为：

  职位月薪|工作地点|发布日期|工作性质|工作经验|最低学历|招聘人数|职位类别

  lis = ul.find_all(‘strong’)

  工作经验

  years = lis[4].get_text()

  最低学历

  education = lis[5].get_text()

  筛选任职要求

  for terminalpage in soup.find_all(‘div’, class_=‘terminalpage-main clearfix’):

  for box in terminalpage.find_all(‘div’, class_=‘tab-cont-box’):

  cont = box.find_all(‘div’, class_=‘tab-inner-cont’)[0]

  ps = cont.find_all(‘p’)

  "立即申请"按钮也是个p标签，将其排除

  for i in range(len(ps) - 1):

  requirement += ps[i].get_text().replace(“\n”, “”).strip() # 去掉换行符和空格

  筛选公司规模，该标签内有四个或五个

  • 标签，但是第一个就是公司规模

  scale = soup.find(class_=‘terminal-ul clearfix terminal-company mt20’).find_all(‘li’)[0].strong.get_text()

  return {‘years’: years, ‘education’: education, ‘requirement’: requirement, ‘scale’: scale}

  本次我们将职位描述写入txt文件，其余信息写入csv文件。

  csv文件采用逐行写入的方式这样也可以省点内存，修改write_csv_rows函数：

  def write_csv_rows(path, headers, rows):

  ‘’’

  写入行

  ‘’’

  with open(path, ‘a’, encoding=‘gb18030’, newline=‘’) as f:

  f_csv = csv.DictWriter(f, headers)

  如果写入数据为字典，则写入一行，否则写入多行

  if type(rows) == type({}):

  f_csv.writerow(rows)

  else:

  f_csv.writerows(rows)

  添加写txt文件函数：

  def write_txt_file(path, txt):

  ‘’’

  写入txt文本

  ‘’’

  with open(path, ‘a’, encoding=‘gb18030’, newline=‘’) as f:

  f.write(txt)

  我们最重要对职位描述的内容进行词频统计，一些标点符号等会影响统计，使用正则表达式将其剔除：

  对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除

  pattern = re.compile(r’[一-龥]+')

  filterdata = re.findall(pattern, job_detail.get(‘requirement’))

  write_txt_file(txt_filename, ‘’.join(filterdata))

  至此，职位详细信息的获取及保存的工作已经完成，来看一下此时的main函数：

  def main(city, keyword, region, pages):

  ‘’’

  主函数

  ‘’’

  csv_filename = ‘zl_’ + city + ‘_’ + keyword + ‘.csv’

  txt_filename = ‘zl_’ + city + ‘_’ + keyword + ‘.txt’

  headers = [‘job’, ‘years’, ‘education’, ‘salary’, ‘company’, ‘scale’, ‘job_url’]

  write_csv_headers(csv_filename, headers)

  for i in range(pages):

  ‘’’

  获取该页中所有职位信息，写入csv文件

  ‘’’

  job_dict = {}

  html = get_one_page(city, keyword, region, i)

  items = parse_one_page(html)

  for item in items:

  html = get_detail_page(item.get(‘job_url’))

  job_detail = get_job_detail(html)

  job_dict[‘job’] = item.get(‘job’)

  job_dict[‘years’] = job_detail.get(‘years’)

  job_dict[‘education’] = job_detail.get(‘education’)

  job_dict[‘salary’] = item.get(‘salary’)

  job_dict[‘company’] = item.get(‘company’)

  job_dict[‘scale’] = job_detail.get(‘scale’)

  job_dict[‘job_url’] = item.get(‘job_url’)

  对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除

  pattern = re.compile(r’[一-龥]+')

  filterdata = re.findall(pattern, job_detail.get(‘requirement’))

  write_txt_file(txt_filename, ‘’.join(filterdata))

  write_csv_rows(csv_filename, headers, job_dict)

  4、数据分析

  ---

  本节内容为此版本的重点。

  4.1 工资统计

  我们对各个阶段工资的占比进行统计，分析该行业的薪资分布水平。前面我们已经把数据保存到csv文件里了，接下来要读取salary列：

  def read_csv_column(path, column):

  ‘’’

  读取一列

  ‘’’

  with open(path, ‘r’, encoding=‘gb18030’, newline=‘’) as f:

  reader = csv.reader(f)

  return [row[column] for row in reader]

  main函数里添加

  print(read_csv_column(csv_filename, 3))

  #下面为打印结果

  [‘salary’, ‘7000’, ‘5000’, ‘25000’, ‘12500’, ‘25000’, ‘20000’, ‘32500’, ‘20000’, ‘15000’, ‘9000’, ‘5000’, ‘5000’, ‘12500’, ‘24000’, ‘15000’, ‘18000’, ‘25000’, ‘20000’, ‘0’, ‘20000’, ‘12500’, ‘17500’, ‘17500’, ‘20000’, ‘11500’, ‘25000’, ‘12500’, ‘17500’, ‘25000’, ‘22500’, ‘22500’, ‘25000’, ‘17500’, ‘7000’, ‘25000’, ‘3000’, ‘22500’, ‘15000’, ‘25000’, ‘20000’, ‘22500’, ‘15000’, ‘15000’, ‘25000’, ‘17500’, ‘22500’, ‘10500’, ‘20000’, ‘17500’, ‘22500’, ‘17500’, ‘25000’, ‘20000’, ‘11500’, ‘11250’, ‘12500’, ‘14000’, ‘12500’, ‘17500’, ‘15000’]

  从结果可以看出，除了第一项，其他的都为平均工资，但是此时的工资为字符串，为了方便统计，我们将其转换成整形:

  salaries = []

  sal = read_csv_column(csv_filename, 3)

  撇除第一项，并转换成整形，生成新的列表

  for i in range(len(sal) - 1):

  工资为’0’的表示招聘上写的是’面议’,不做统计

  if not sal[i] == ‘0’:

  salaries.append(int(sal[i + 1]))

  print(salaries)

  下面为打印结果

  [7000, 5000, 25000, 12500, 25000, 20000, 32500, 20000, 15000, 9000, 5000, 5000, 12500, 24000, 15000, 18000, 25000, 20000, 0, 20000, 12500, 20000, 11500, 17500, 25000, 12500, 17500, 25000, 25000, 22500, 22500, 17500, 17500, 7000, 25000, 3000, 22500, 15000, 25000, 20000, 22500, 15000, 22500, 10500, 20000, 15000, 17500, 17500, 25000, 17500, 22500, 25000, 12500, 20000, 11250, 11500, 14000, 12500, 15000, 17500]

  我们用直方图进行展示：

  plt.hist(salaries, bins=10 ,)

  plt.show()

  生成效果图如下：

  

  从图中可以看出工资分布的情况，这样在你找工作时可以做一个参考。

  4.2 职位描述词频统计

  对职位描述词频统计的意义是可以了解该职位对技能的基本要求，如果正在找工作，可以估计一下自己的要求是否符合该职位；如果想要一年后换工作，那么也可以提前做好准备，迎接新的挑战。

  词频统计用到了 jieba、numpy、pandas、scipy库。如果电脑上没有这两个库，执行安装指令：

  • pip install jieba

  • pip install pandas

  • pip install numpy

  • pip install scipy

  4.2.1 读取txt文件

  前面已经将职位描述保存到txt文件里了，现在我们将其读出：

  def read_txt_file(path):

  ‘’’

  读取txt文本

  ‘’’

  with open(path, ‘r’, encoding=‘gb18030’, newline=‘’) as f:

  return f.read()

  简单测试一下：

  import jieba

  import pandas as pd

  ‘’’

  python学习交流群：1136201545更多学习资料可以加群获取

  ‘’’

  content = read_txt_file(txt_filename)

  segment = jieba.lcut(content)

  words_df=pd.DataFrame({‘segment’:segment})

  print(words_df)

  输出结果如下：

  segment

  0 岗位职责

  1 参与

  2 公司

  3 软件产品

  4 后台

  5 研发

  6 和

  7 维护

  8 工作

  9 参与

  10 建筑物

  11 联网

  12 数据分析

  自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

  深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

  因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
  
  
  
  
  
  

  既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

  由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

  如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
  

  学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

  一、Python所有方向的学习路线

  Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

  

  二、学习软件

  工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

  

  三、全套PDF电子书

  书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

  

  四、入门学习视频

  我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

  

  五、实战案例

  光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

  

  六、面试资料

  我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

  

  

  .png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA56iL5bqP5aqb56eD56eD,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)

  五、实战案例

  光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

  

  六、面试资料

  我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。