爬虫工程师的月薪如何？

链接分析

1、不同的搜索关键字 的搜索链接分析：

　　搜索python工程师：https://sou.zhaopin.com/?jl=538&kw=python工程师&kt=3

　　搜索java工程师：https://sou.zhaopin.com/?jl=538&kw=java工程师&kt=3

　　对比结果：两个链接只有 kw= 后的内容有所不同。kw 后的内容就是搜索的关键词，你就可以根据查询内容构造自己的链接。

2、不同页面的搜索链接分析

　　中间页的链接：https://sou.zhaopin.com/?p=2&jl=538&kw=java工程师&kt=3

　　最后一页的链接：https://sou.zhaopin.com/?p=12&jl=538&kw=java工程师&kt=3

　　对比结果：不同页面的链接，只有第一页没有 p= 参数。其余页面只是 p= 后的参数不同。

 

页面的渲染

我们所看到的网页是浏览器将 HTML、CSS、JavaScript 代码加工后呈现到屏幕上的。因此，为了获得完整的内容，爬虫也需要重复这一过程。

在默认情况下，爬虫获取到的是未经渲染的 HTML、JavaScript、CSS 代码。

渲染页面

在获取的结果上调用reader函数，渲染页面。

from requests_html import HTMLSession

session=HTMLSession()

firstPage=session.get('https://sou.zhaopin.com/?jl=538&kw=python工程师&kt=3')
firstPage.html.render()
print(firstPage.html.text)

 

数据提取

查看网页源代码，写正则表达式

比如薪资的源代码是：<p class="contentpile__content__wrapper__item__info__box__job__saray">10K-15K</p>

其正则表达式可以写成：<p.*>(\d+)K-(\d+)K</p>

 

再比如下一页的源代码是：<button disabled="disabled" class="btn soupager__btn soupager__btn--disable">下一页</button>

其正则表达式可以写成：<button.* disabled="disabled".*>下一页</button>,你可以用这个正则来判断是不是最后一页。

from requests_html import HTMLSession
import re

session=HTMLSession()
first_page=session.get('https://sou.zhaopin.com/?jl=489&kw=%E7%88%AC%E8%99%AB%E5%B7%A5%E7%A8%8B%E5%B8%88&kt=3')
first_page.html.render(sleep=10)
#薪资水平源代码正则表达式
salary_element='<p.*>(\d+)K-(\d+)K</p>'
salary=re.findall(salary_element,first_page.html.html)
#最后一页 下一页 按钮正则表达式
disabled_button_element='<button.* disabled="disabled".*>下一页</button>'
disabled_button=re.findall(disabled_button_element,first_page.html.html)

 

成功匹配薪资水平和 下一页 按钮后，尝试提取所有 python工程师的薪资水平 并利用 matplotlib 绘图展示。

完整代码如下：

from requests_html import HTMLSession
import re
from matplotlib import pyplot as plt

salary_element='<p.*>(\d+)K-(\d+)K</p>'
salary=[]
disabled_button_element='<button.* disabled="disabled".*>下一页</button>'
#disabled_button_element='<button class="btn soupager__btn soupager__btn--disable" disabled="disabled">下一页</button>'
disabled_button=None
p=1

while not disabled_button:
    print('正在爬取第'+str(p)+'页')
    url='https://sou.zhaopin.com/?p='+str(p)+'&jl=530&kw=python工程师&kt=3'
    session=HTMLSession()
    page=session.get(url)
    page.html.render(sleep=3)
    # 提取出薪资，保存为形如 [[10,20], [15,20], [12, 15]] 的数组
    salary+=re.findall(salary_element,page.html.html)
    # 判断页面中下一页按钮还能不能点击
    disabled_button=re.findall(disabled_button_element,page.html.html)
    p=p+1
    session.close()

#求出每家公司的平均工资
salary=[(int(s[0])+int(s[1]))/2 for s in salary]
low_salary,middle_salary,high_salary=[0,0,0]
for s in salary:
    if s<=15:
        low_salary+=1
    elif s>15 and s<=30:
        middle_salary+=1
    else:
        high_salary+=1

# 调节图形大小，宽，高
plt.figure(figsize=(16,19))

labels=[u'<15K',u'15K-30K',u'>30K']
data=[low_salary,middle_salary,high_salary]
plt.pie(data,labels=labels)

plt.axis('equal')
plt.legend()
plt.show()

 

 数据展示