数据分析行业薪资的秘密,你想知道的都在这里(1)

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。

site-specific-crawl2

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。

获取列表页地址

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.json?needAddtionalResult=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

查看列表页职位数据表

 

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

 

查看职位描述信息
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.json?needAddtionalResult=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")

包含职位描述数据表

 

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。

—【所有文章及图片版权归 蓝鲸(王彦平)所有。欢迎转载,但请注明转自“蓝鲸网站分析博客”。】—

Speak Your Mind

*