【拉勾网职位需求信息爬虫】技能长尾关键词抓取——看看你是否满足企业技能需求
写在前面
不同的语言，有它们各自擅长的应用场景，选择一门适合自己的语言需要勇气与毅力。
而当你下定决心要在甄选的语言上一条道走到黑的时候，孰不知，选择才刚刚开始。
一门编程语言往往有许多分支，每一个分支都需要掌握不同的技能，我们时常会感到困惑：怎么才能较为准确的分配技能点？
需求决定选择，从招聘方的角度来观察，看看我们未来的金主需要现在的你我掌握什么技能，或许能够从繁多的技术分支中受到启发：
这次练习的题目是通过Python抓取拉勾网的招聘详情页，并筛选其中的技能关键词，存储到excel中。
一、获取职位需求数据
通过观察可以发现，拉勾网的职位页面详情是由http://www.lagou.com/jobs/+*****(PositionId).html组成，而PositionId可以通过分析Json的XHR获得。而红框里的职位描述内容是我们要抓取的数据。
知道了数据的源头，接下来就按照常规步骤包装Headers，提交FormData来获取反馈数据。
获取PositionId列表所在页面：
1 # 获取职位的查询页面(参数分别为网址，当前页面数，关键词) 2 def get_page(url, pn, keyword): 3 headers = { 4 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 5 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 6 'Host': 'www.lagou.com', 7 'Connection': 'keep-alive', 8 'Origin': 'http://www.lagou.com' 9 } 10 if pn == 1: 11 boo = 'true' 12 else: 13 boo = 'false' 14 # 通过页面分析，发现浏览器提交的FormData包括以下参数 15 data = parse.urlencode([ 16 ('first', boo), 17 ('pn', pn), 18 ('kd', keyword) 19 ]) 20 req = request.Request(url, headers=headers) 21 page = request.urlopen(req, data=data.encode('utf-8')).read() 22 page = page.decode('utf-8') 23 return page
通过Json获取PositionId：
1 # 获取所需的岗位id,每一个招聘页面详情都有一个所属的id索引 2 def read_id(page): 3 tag = 'positionId' 4 page_json = json.loads(page) 5 page_json = page_json['content']['result'] 6 company_list = [] 7 for i in range(15): 8 company_list.append(page_json[i].get(tag)) 9 return company_list
合成目标url：
1 # 获取职位页面，由PositionId和BaseUrl组合成目标地址 2 def get_content(company_id): 3 fin_url = r'http://www.lagou.com/jobs/%s.html' % company_id 4 headers = { 5 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 6 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 7 'Host': 'www.lagou.com', 8 'Connection': 'keep-alive', 9 'Origin': 'http://www.lagou.com' 10 } 11 req = request.Request(fin_url, headers=headers) 12 page = request.urlopen(req).read() 13 content = page.decode('utf-8') 14 return content
二、对数据进行处理
获取数据之后，需要对数据进行清洗，通过BeautifulSoup抓取的职位内容包含Html标签，需要让数据脱去这层“外衣”。
1 # 获取职位需求（通过re来去除html标记），可以将职位详情单独存储 2 def get_result(content): 3 soup = Bs(content, 'lxml') 4 job_description = soup.select('dd[class="job_bt"]') 5 job_description = str(job_description[0]) 6 rule = re.compile(r'<[^>]+>') 7 result = rule.sub('', job_description) 8 return result
现在得到的数据就是职位描述信息，我们要从职位信息当中筛选我们所关注的任职要求关键词。
我们将这些关键词筛选出来，存储到List当中。经过对整个500+职位进行爬去，我们得到了职位技能关键词的总表。
1 # 过滤关键词：目前筛选的方式只是选取英文关键词 2 def search_skill(result): 3 rule = re.compile(r'[a-zA-z]+') 4 skill_list = rule.findall(result) 5 return skill_list
对关键词按照500+职位需求出现的频次进行排序，选取频次排序Top80的关键词，去除无效的关键词。
1 # 对出现的关键词计数，并排序，选取Top80的关键词作为数据的样本 2 def count_skill(skill_list): 3 for i in range(len(skill_list)): 4 skill_list[i] = skill_list[i].lower() 5 count_dict = Counter(skill_list).most_common(80) 6 return count_dict
三、对数据进行存储和可视化处理
1 # 对结果进行存储并生成Area图 2 def save_excel(count_dict, file_name): 3 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) 4 tmp = book.add_worksheet() 5 row_num = len(count_dict) 6 for i in range(1, row_num): 7 if i == 1: 8 tag_pos = 'A%s' % i 9 tmp.write_row(tag_pos, ['关键词', '频次']) 10 else: 11 con_pos = 'A%s' % i 12 k_v = list(count_dict[i-2]) 13 tmp.write_row(con_pos, k_v) 14 chart1 = book.add_chart({'type': 'area'}) 15 chart1.add_series({ 16 'name': '=Sheet1!$B$1', 17 'categories': '=Sheet1!$A$2:$A$80', 18 'values': '=Sheet1!$B$2:$B$80' 19 }) 20 chart1.set_title({'name': '关键词排名'}) 21 chart1.set_x_axis({'name': '关键词'}) 22 chart1.set_y_axis({'name': '频次（/次）'}) 23 tmp.insert_chart('C2', chart1, {'x_offset': 25, 'y_offset': 10})
这就是抓取之后的数据可视化展示。
附上源码
1 #! -*-coding:utf-8 -*- 2 ''' 3 Function:计算拉勾网编程语言的关键词排名 4 Author:蘭兹 5 ''' 6 7 8 from urllib import request, parse 9 from bs4 import BeautifulSoup as Bs 10 from collections import Counter 11 import lxml 12 import json 13 import datetime 14 import xlsxwriter 15 import re 16 17 starttime = datetime.datetime.now() 18 19 url = r'http://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC' 20 21 keyword = input('请输入您所需要查找的关键词 : ') 22 23 24 # 获取职位的查询页面(参数分别为网址，当前页面数，关键词) 25 def get_page(url, pn, keyword): 26 headers = { 27 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 28 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 29 'Host': 'www.lagou.com', 30 'Connection': 'keep-alive', 31 'Origin': 'http://www.lagou.com' 32 } 33 if pn == 1: 34 boo = 'true' 35 else: 36 boo = 'false' 37 # 通过页面分析，发现浏览器提交的FormData包括以下参数 38 data = parse.urlencode([ 39 ('first', boo), 40 ('pn', pn), 41 ('kd', keyword) 42 ]) 43 req = request.Request(url, headers=headers) 44 page = request.urlopen(req, data=data.encode('utf-8')).read() 45 page = page.decode('utf-8') 46 return page 47 48 49 # 获取所需的岗位id,每一个招聘页面详情都有一个所属的id索引 50 def read_id(page): 51 tag = 'positionId' 52 page_json = json.loads(page) 53 page_json = page_json['content']['result'] 54 company_list = [] 55 for i in range(15): 56 company_list.append(page_json[i].get(tag)) 57 return company_list 58 59 60 # 获取当前招聘关键词的最大页数，大于30的将会被覆盖，所以最多只能抓取30页的招聘信息 61 def read_max_page(page): 62 page_json = json.loads(page) 63 max_page_num = page_json['content']['totalPageCount'] 64 if max_page_num > 30: 65 max_page_num = 30 66 return max_page_num 67 68 69 # 获取职位页面，由ositionId和BaseUrl组合成目标地址 70 def get_content(company_id): 71 fin_url = r'http://www.lagou.com/jobs/%s.html' % company_id 72 headers = { 73 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 74 'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 75 'Host': 'www.lagou.com', 76 'Connection': 'keep-alive', 77 'Origin': 'http://www.lagou.com' 78 } 79 req = request.Request(fin_url, headers=headers) 80 page = request.urlopen(req).read() 81 content = page.decode('utf-8') 82 return content 83 84 85 # 获取职位需求（通过re来去除html标记），可以将职位详情单独存储 86 def get_result(content): 87 soup = Bs(content, 'lxml') 88 job_description = soup.select('dd[class="job_bt"]') 89 job_description = str(job_description[0]) 90 rule = re.compile(r'<[^>]+>') 91 result = rule.sub('', job_description) 92 return result 93 94 95 # 过滤关键词：目前筛选的方式只是选取英文关键词 96 def search_skill(result): 97 rule = re.compile(r'[a-zA-z]+') 98 skill_list = rule.findall(result) 99 return skill_list 100 101 102 # 对出现的关键词计数，并排序，选取Top80的关键词作为数据的样本 103 def count_skill(skill_list): 104 for i in range(len(skill_list)): 105 skill_list[i] = skill_list[i].lower() 106 count_dict = Counter(skill_list).most_common(80) 107 return count_dict 108 109 110 # 对结果进行存储并生成Area图 111 def save_excel(count_dict, file_name): 112 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) 113 tmp = book.add_worksheet() 114 row_num = len(count_dict) 115 for i in range(1, row_num): 116 if i == 1: 117 tag_pos = 'A%s' % i 118 tmp.write_row(tag_pos, ['关键词', '频次']) 119 else: 120 con_pos = 'A%s' % i 121 k_v = list(count_dict[i-2]) 122 tmp.write_row(con_pos, k_v) 123 chart1 = book.add_chart({'type': 'area'}) 124 chart1.add_series({ 125 'name': '=Sheet1!$B$1', 126 'categories': '=Sheet1!$A$2:$A$80', 127 'values': '=Sheet1!$B$2:$B$80' 128 }) 129 chart1.set_title({'name': '关键词排名'}) 130 chart1.set_x_axis({'name': '关键词'}) 131 chart1.set_y_axis({'name': '频次（/次）'}) 132 tmp.insert_chart('C2', chart1, {'x_offset': 25, 'y_offset': 10}) 133 134 ###################################################################################### 135 136 if __name__ == '__main__': 137 max_pn = read_max_page(get_page(url, 1, keyword)) # 获取招聘页数 138 fin_skill_list = [] # 关键词总表 139 for pn in range(1, max_pn): 140 print('***********************正在抓取第%s页信息***********************' % pn) 141 page = get_page(url, pn, keyword) 142 company_list = read_id(page) 143 for company_id in company_list: 144 content = get_content(company_id) 145 result = get_result(content) 146 skill_list = search_skill(result) 147 fin_skill_list.extend(skill_list) 148 print('***********************开始统计关键词出现频率***********************') 149 count_dict = count_skill(fin_skill_list) 150 print(count_dict) 151 file_name = input(r'请输入要保存的文件名：') 152 save_excel(count_dict, file_name) 153 print('***********************正在保存到桌面***********************') 154 endtime = datetime.datetime.now() 155 time = (endtime - starttime).seconds 156 print('总共用时：%s s' % time)
30*15页的内容抓取需要花费2分多钟，相对来说还是有些慢，可以加入并行模块抓取数据。
至此，拉勾网职位需求关键词的抓取就完成了。
这个爬虫的目的就是为了抓取与编程语言相关的技能需求，大家可以通过排名靠前的关键词获知主流的框架或结构，避免遗漏。也可以通过长尾关键词来扩展自己的知识面。
还有其他功能，大家可以自行开发，这里只做抛砖引玉之用，欢迎交流，转载请注明出处~ (^ _ ^)/~~
