如下图我们可以得知

url：https://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false

请求方式：post

result：为发布的招聘信息

totalCount：为招聘信息的条数

通过实践发现除了必须携带headers之外，拉勾网对ip访问频率也是有限制的。一开始会提示 '访问过于频繁'，继续访问则会将ip拉入黑名单。不过一段时间之后会自动从黑名单中移除。

针对这个策略，我们可以对请求频率进行限制，这个弊端就是影响爬虫效率。

其次我们还可以通过代理ip来进行爬虫。网上可以找到免费的代理ip，但大都不太稳定。付费的价格又不太实惠。

具体就看大家如何选择了

1思路

通过分析请求我们发现每页返回15条数据，totalCount又告诉了我们该职位信息的总条数。

向上取整就可以获取到总页数。然后将所得数据保存到csv文件中。这样我们就获得了数据分析的数据源！

post请求的Form Data传了三个参数

first ： 是否首页(并没有什么用)

pn：页码

kd：搜索关键字

2no bb， show code

# 获取请求结果 # kind 搜索关键字 # page 页码 默认是1 def get_json(kind, page=1,): # post请求参数 param = {
   'first': 'true', 'pn': page, 'kd': kind } header = {
   'Host': 'www.lagou.com', 'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=', 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36' } # 设置代理 proxies = [ {
   'http': '140.143.96.216:80', 'https': '140.143.96.216:80'}, {
   'http': '119.27.177.169:80', 'https': '119.27.177.169:80'}, {
   'http': '221.7.255.168:8080', 'https': '221.7.255.168:8080'} ] # 请求的url url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false' # 使用代理访问 # response = requests.post(url, headers=header, data=param, proxies=random.choices(proxies)) response = requests.post(url, headers=header, data=param, proxies=proxies) response.encoding = 'utf-8' if response.status_code == 200: response = response.json() # 请求响应中的positionResult 包括查询总数 以及该页的招聘信息(公司名、地址、薪资、福利待遇等...) return response['content']['positionResult'] return None

接下来我们只需要每次翻页之后调用 get_json 获得请求的结果 再遍历取出需要的招聘信息即可

if __name__ == '__main__': # 默认先查询第一页的数据 kind = 'python' # 请求一次 获取总条数 position_result = get_json(kind=kind) # 总条数 total = position_result['totalCount'] print('{}开发职位，招聘信息总共{}条.....'.format(kind, total)) # 每页15条 向上取整 算出总页数 page_total = math.ceil(total/15) # 所有查询结果 search_job_result = [] #for i in range(1, total + 1) # 为了节约效率 只爬去前100页的数据 for i in range(1, 100): position_result = get_json(kind=kind, page= i) # 每次抓取完成后,暂停一会,防止被服务器拉黑 time.sleep(15) # 当前页的招聘信息 page_python_job = [] for j in position_result['result']: python_job = [] # 公司全名 python_job.append(j['companyFullName']) # 公司简称 python_job.append(j['companyShortName']) # 公司规模 python_job.append(j['companySize']) # 融资 python_job.append(j['financeStage']) # 所属区域 python_job.append(j['district']) # 职称 python_job.append(j['positionName']) # 要求工作年限 python_job.append(j['workYear']) # 招聘学历 python_job.append(j['education']) # 薪资范围 python_job.append(j['salary']) # 福利待遇 python_job.append(j['positionAdvantage']) page_python_job.append(python_job) # 放入所有的列表中 search_job_result += page_python_job print('第{}页数据爬取完毕, 目前职位总数:{}'.format(i, len(search_job_result))) # 每次抓取完成后,暂停一会,防止被服务器拉黑 time.sleep(15)

ok！ 数据我们已经获取到了，最后一步我们需要将数据保存下来

# 将总数据转化为data frame再输出 df = pd.DataFrame(data=search_job_result, columns=['公司全名', '公司简称', '公司规模', '融资阶段', '区域', '职位名称', '工作经验', '学历要求', '工资', '职位福利']) df.to_csv('lagou.csv', index=False, encoding='utf-8_sig')

运行main方法直接上结果：

数据分析

通过分析cvs文件，为了方便我们统计，我们需要对数据进行清洗

比如剔除实习岗位的招聘、工作年限无要求或者应届生的当做 0年处理、薪资范围需要计算出一个大概的值、学历无要求的当成大专

# 读取数据 df = pd.read_csv('lagou.csv', encoding='utf-8') # 数据清洗,剔除实习岗位 df.drop(df[df['职位名称'].str.contains('实习')].index, inplace=True) # print(df.describe()) # 由于CSV文件内的数据是字符串形式,先用正则表达式将字符串转化为列表,再取区间的均值 pattern = '\d+' df['work_year'] = df['工作经验'].str.findall(pattern) # 数据处理后的工作年限 avg_work_year = [] # 工作年限 for i in df['work_year']: # 如果工作经验为'不限'或'应届毕业生',那么匹配值为空,工作年限为0 if len(i) == 0: avg_work_year.append(0) # 如果匹配值为一个数值,那么返回该数值 elif len(i) == 1: avg_work_year.append(int(''.join(i))) # 如果匹配值为一个区间,那么取平均值 else: num_list = [int(j) for j in i] avg_year = sum(num_list)/2 avg_work_year.append(avg_year) df['工作经验'] = avg_work_year # 将字符串转化为列表,再取区间的前25%，比较贴近现实 df['salary'] = df['工资'].str.findall(pattern) # 月薪 avg_salary = [] for k in df['salary']: int_list = [int(n) for n in k] avg_wage = int_list[0]+(int_list[1]-int_list[0])/4 avg_salary.append(avg_wage) df['月工资'] = avg_salary # 将学历不限的职位要求认定为最低学历:大专\ df['学历要求'] = df['学历要求'].replace('不限','大专')

数据通过简单的清洗之后，下面开始我们的统计

1绘制薪资直方图

# 绘制频率直方图并保存 plt.hist(df['月工资']) plt.xlabel('工资 (千元)') plt.ylabel('频数') plt.title("工资直方图") plt.savefig('薪资.jpg') plt.show()

结论：北京市Python开发的薪资大部分处于15~25k之间

2公司分布饼状图

# 绘制饼图并保存 count = df['区域'].value_counts() plt.pie(count, labels = count.keys(),labeldistance=1.4,autopct='%2.1f%%') plt.axis('equal') # 使饼图为正圆形 plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1)) plt.savefig('pie_chart.jpg') plt.show()

结论：Python开发的公司最多的是海淀区、其次是朝阳区。准备去北京工作的小伙伴大概知道去哪租房了吧

3学历要求直方图

# {'本科': 1304, '大专': 94, '硕士': 57, '博士': 1} dict = {} for i in df['学历要求']: if i not in dict.keys(): dict[i] = 0 else: dict[i] += 1 index = list(dict.keys()) print(index) num = [] for i in index: num.append(dict[i]) print(num) plt.bar(left=index, height=num, width=0.5) plt.show()

结论：在Python招聘中，大部分公司要求是本科学历以上。但是学历只是个敲门砖，如果努力提升自己的技术，这些都不是事儿

4福利待遇词云图

# 绘制词云,将职位福利中的字符串汇总 text = '' for line in df['职位福利']: text += line # 使用jieba模块将字符串分割为单词列表 cut_text = ' '.join(jieba.cut(text)) #color_mask = imread('cloud.jpg') #设置背景图 cloud = WordCloud( background_color = 'white', # 对中文操作必须指明字体 font_path='yahei.ttf', #mask = color_mask, max_words = 1000, max_font_size = 100 ).generate(cut_text) # 保存词云图片 cloud.to_file('word_cloud.jpg') plt.imshow(cloud) plt.axis('off') plt.show()

结论：弹性工作是大部分公司的福利，其次五险一金少数公司也会提供六险一金。团队氛围、扁平化管理也是很重要的一方面。

至此，此次分析到此结束。有需要的同学也可以查一下其他岗位或者地区的招聘信息哦~

希望能够帮助大家定位自己的发展和职业规划。

原文发布时间为： 2018-10-18

本文作者： 程序员共成长 本文来自云栖社区合作伙伴“ ”，了解相关信息可以关注“ ”。