OStack程序员社区-中国程序员成长平台 › 门户 › 开源› WEB应用开发›Web爬虫

拉钩网数据爬虫: 爬取拉勾网数据，并进行数据分析，可视化，分析你的专业最适合去那个 ...

原作者: [db:作者] 来自: 网络收藏邀请

开源软件名称：

拉钩网数据爬虫

开源软件地址：

https://gitee.com/XksA-me/lagou_data_spider

开源软件介绍：

拉钩网数据爬虫

项目介绍

爬取拉勾网数据，并进行数据分析，可视化，分析你的专业最适合去那个城市，那个岗位最火热。

如果是第一次看本教程的同学，可以先从一开始：爬虫，从基础到进阶（一）欢迎关注微信公众号：极简XksA微信账号：xksnh888转载请先联系微信号：zs820553471交流学习

一、学习开始前需安装模块

pip install requestspip install cvspip install pandaspip install numpypip install jiebapip install repip install pyechartspip install os

二、讲解概要

为什么要爬取拉勾网？哈哈哈，当然是因为简单，啪，原因如下：（1）动态网页，爬起来难度更大，讲起来更有内容；（2）与一般情况不同，我们所需内容通过get请求获取不了，需进行页面分析。

1.爬取拉勾网求职信息 (1)requests 请求，获取单页面 (2)分析页面加载，找到数据 (3)添加headers 信息，模仿浏览器请求 (4)解析页面，实现翻页爬取 (5)爬取数据存入csv文件
2.数据分析与可视化 (1)分析数据 (2)pyecharts实现数据可视化

三、正式开始，竖起你的小眼睛

爬取拉勾网求职信息

（1）requests 请求，获取单页面

# 我们最常用的流程：网页上复制url->发送get请求—>打印页面内容->分析抓取数据# 1.获取拉钩网urlreq_url = 'https://www.lagou.com/jobs/list_python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput='# 2.发送get请求req_result = requests.get(req_url)# 3.打印请求结果print(req_result.text)

由上面的流程，打印输出结果如下：

<html>  <head>     <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta name="renderer"  content="webkit">     <meta http-equiv="Content-Type" content="text/html; charset=utf-8">  </head>  <script type="text/javascript" src="https://www.lagou.com/utrack/trackMid.js?version=1.0.0.3&t=1529144464"></script>  <body>   <input type="hidden" id="KEY" value="VAfyhYrvroX6vLr5S9WNrP16ruYI6aYOZIwLSgdqTWc"/>  <script type="text/javascript">HZRxWevI();</script>é?μé?￠?? è????-...  <script type="text/javascript" src="https://www.lagou.com/upload/oss.js"></script>  </body></html>

看的出来，与我们想象的还是差别很大。为什么会出现这种情况，很简单，因为它并不是简单的静态页面,我们知道请求方式有get和post请求两种基本区别如下：

(1)Get是向服务器发索取数据的一种请求；而Post是向服务器提交数据的一种请求，要提交的数据位于信息头后面的实体中。GET和POST只是发送机制不同，并不是一个取一个发.(2)GET请求时其发送的信息是以url明文发送的，其参数会被保存在浏览器历史或web服务器中，而post则不会某（这也是后面我们翻页的时候发现拉勾网翻页时 浏览器 url栏地址没有变化的原因。）

（2）分析页面加载，找到数据

1.请求分析在拉钩网首页,按F12进入开发者模式，然后在查询框中输入python,点击搜索,经过我的查找，终于找到了页面上职位信息所在的页面，的确是一个post请求，而且页面返回内容为一个json格式的字典。

2.返回数据内容分析页面上：我们主要获取7个数据（公司 | 城市 | 职位 | 薪资 | 学历要求 | 工作经验 | 职位优点）

json数据中：我把爬下来的json数据整理了一下，如下图：

我们会发现，我们需要的数据全在：req_info['content']['positionResult']['result']里面，为一个列表，而且还包含许多其他的信息，本次我们不关心其他数据。我们所需要数据如下图框：

(3)添加headers 信息，模仿浏览器请求

通过上面的请求分析我们可以找到post请求的网址为：https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false,如果此时我们直接发送post请求，会提示如下代码：

{'success': False, 'msg': '您操作太频繁,请稍后再访问', 'clientIp': '122.xxx.xxx.xxx'}

出现这种提示的原因是，我们直接post访问url,服务器会把我们误认为‘机器人’，这也是一种反爬，解决方法很简单，加一个请求头即可完全模拟浏览器请求，请求头获取见下图：

(4)解析页面，实现翻页爬取

怎么实现翻页呢？一般，我们实现翻页的方法就是自己手动的在浏览器翻页，然后观察网址的变化，找出规律，可是翻拉钩网的时候我们会发现，在浏览器里翻页的时候，url框内的网址并没有变化。
再次页面分析？还得继续分析页面求，我们必须要相信，肯定是有变化的，不然，页面内容怎么可能自己变化呢？分析发现下面规律：在post请求中，有个请求参数->表单数据，包含三个参数first、kd、pn,通过动图演示，我们不难猜出其含义：

data = {         'first':'true', # 是不是第一页，false表示不是，true 表示是         'kd':'Python', # 搜索关键字         'pn':1 # 页码    }

现阶段代码：

import requests# 1. post 请求的 urlreq_url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'# 2. 请求头 headersheaders = {'你的请求头'}# 3. for 循环请求for i in range(1,31):    data = {        'first':'false',        'kd':'Python',        'pn':i    }    # 3.1 requests 发送请求    req_result = requests.post(req_url,headers = headers,data = data)    req_result.encoding = 'utf-8'    # 3.2 获取数据    req_info = req_result.json()    # 打印出获取到的数据    print(req_info)

(5)爬取数据存入csv文件

def file_do(list_info):    # 获取文件大小    file_size = os.path.getsize(r'G:\lagou_test.csv')    if file_size == 0:        # 表头        name = ['公司','城市','职位','薪资','学历要求','工作经验','职位优点']        # 建立DataFrame对象        file_test = pd.DataFrame(columns=name, data=list_info)        # 数据写入        file_test.to_csv(r'G:\lagou_test.csv', encoding='gbk',index=False)    else:        with open(r'G:\lagou_test.csv','a+',newline='') as file_test :            # 追加到文件后面            writer = csv.writer(file_test)            # 写入文件            writer.writerows(list_info)

简单展示一下爬取到的数据：

四、来点进阶的（和爬虫无关）

数据分析+pyechart数据可视化

1.薪资分布分析

# 薪资分析，下面的几个都是柱状图，和这个地方分析一样# 统计各个城市出现次数salary_lists = {}for x in city:    salary_lists[x] = salary.count(x)key = []values = []for k,v in salary_lists.items():    key.append(k)    values.append(v)bar2 = Bar('求职信息数据化','需求量',page_title='薪资分布')# 图表其他主题：vintage,macarons,infographic,shine，romabar2.use_theme('vintage')bar2.add('薪资',key,values,is_more_utils = True,is_datazoom_show = True,xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=30)bar2.render()

我们可以看到，python的薪资基本都是10k起步，大部分公司给出薪资在10k-40k之间，所以，不要怕学python吃不到饭。

2.工作地点分析

通过图表，我们很容易看出，需要python程序员的公司大多分布在北京、上海、深圳，再后面就是广州了，所以，学python的同学千万不要去错城市哦。

3.职位学历要求

根据图表显示，python程序员的学历要求并不高，主要是本科，虽然学历要求不高，但一定要有思辨能力哦。

4.工作经验要求

主要是需要3-5年工作经验的同学，不老也不年轻，成熟稳重，又能学新东西的年龄，招聘公司真聪明。

5.工作职位研究方向分析

# 和下面福利关键词的分析差不多，大家可以自己试着写写。

开发，没错是开发，至于具体什么开发，公司面谈吧。哈哈哈~

6.工作福利优点分析

# 福利关键词分析content = ''# 连接所有公司福利介绍for x in positionAdvantage:    content = content + x# 去除多余字符content = re.sub('[,、（），1234567890；;&%$#@!~_=+]', '', content)# jieba 切词，pandas、numpy计数segment = jieba.lcut(content)words_df = pd.DataFrame({'segment': segment})words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数": numpy.size})words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False)test = words_stat.head(1000).values# 制作词云图codes = [test[i][0] for i in range(0,len(test))]counts = [test[i][1] for i in range(0,len(test))]wordcloud = WordCloud(width=1300, height=620)wordcloud.add("福利关键词", codes, counts, word_size_range=[20, 100])wordcloud.render()