前段时间自己做了个互联网职位分析的网站，本文将记录下整个数据获取的全部过程，之后还会有对数据进行可视化操作的介绍。该项目的所有代码均已放在github上。查看原文
环境要求
请自行安装以下环境：
- Win 7 (Scrapy在linux环境下不太稳定)
- Scrapy
- Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
- Python 2.7
- Mysql
- Chrome浏览器
思路分析
既然要抓取拉勾上所有的职位信息，那么必须要按照一定的顺序来爬取。
首先我们从搜索栏下手，试着搜索Python得到如下图：
sousuo.jpg
搜索结果下面有筛选的选项，这个时候大致思路就出来了，按照职位关键字和城市名称排列组合穷举出所有的职位信息。
具体实现
关键字、城市名获取
思路有了之后，我们先来获取职位关键字。
拉勾网的主页就列举了所有职位关键字，我们只需要跟互联网相关的就行了，这边有个小技巧就是可以直接在网页上复制粘贴下来关键字，稍微再处理下格式就行了。
keyword.jpg
当然城市名也一样，我们先分别保存为keyword.txt、 cityname.txt
寻找是否有可用api
一般情况下，这种网站都会有自己的api可用的，这时候我们可以用到浏览器的开发者工具，快捷键为F12。
在python的搜索结果中点击展开全部城市，在跳转到城市名的页面后，打开开发者工具下的network选项。
这时随便点击一个城市，可以看到其中有个链接
api_search_1.jpg
一眼看过去大概明白了这个api的用法
https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%AE%89%E5%BA%86&needAddtionalResult=false我们分析下这个url的组成，
px=default这个参数看名字看不出来有什么意义，但是city参数不就是城市名吗？那职位关键字呢？仔细看上图，是通过POST方法传过去的，参数也很简单明了，kd就是关键字，pn就是页码。到了这一步，我们只需要写一个程序，将关键字和城市名排列组合一下，然后将返回结果筛选保存，这个数据获取的工作就算完成。
数据结构
在Mysql中创建一个数据库lagou，其中包括三张表
- city 城市名
+----------+--------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+----------+--------------+------+-----+---------+----------------+
| id | int(8) | NO | PRI | NULL | auto_increment |
| cityname | varchar(255) | NO | UNI | NULL | |
+----------+--------------+------+-----+---------+----------------+
* job_category 职位关键字
* ```
+---------------------+--------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+---------------------+--------------+------+-----+---------+----------------+
| id | int(11) | NO | PRI | NULL | auto_increment |
| job_name | varchar(255) | NO | UNI | NULL | |
| job_url | varchar(255) | NO | | NULL | |
| job_category_level1 | varchar(255) | NO | | NULL | |
| job_category_level2 | varchar(255) | NO | | NULL | |
+---------------------+--------------+------+-----+---------+----------------+
- job_info 招聘信息
+-------------------+--------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+-------------------+--------------+------+-----+---------+----------------+
| id | int(8) | NO | PRI | NULL | auto_increment |
| keyword | varchar(255) | YES | | NULL | |
| positionName | varchar(255) | YES | | NULL | |
| salary | varchar(255) | YES | | NULL | |
| companySize | varchar(255) | YES | | NULL | |
| city | varchar(255) | YES | | NULL | |
| companyFullName | varchar(255) | YES | | NULL | |
| jobNature | varchar(255) | YES | | NULL | |
| workYear | varchar(255) | YES | | NULL | |
| education | varchar(255) | YES | | NULL | |
| positionId | varchar(255) | YES | UNI | NULL | |
| financeStage | varchar(255) | YES | | NULL | |
| industryField | varchar(255) | YES | | NULL | |
| approve | varchar(255) | YES | | NULL | |
| positionAdvantage | varchar(255) | YES | | NULL | |
| companyLabelList | varchar(255) | YES | | NULL | |
| score | varchar(255) | YES | | NULL | |
| adWord | varchar(255) | YES | | NULL | |
| createTime | varchar(255) | YES | | NULL | |
| companyId | varchar(255) | YES | | NULL | |
| companyShortName | varchar(255) | YES | | NULL | |
| district | varchar(255) | YES | | NULL | |
| businessZones | varchar(255) | YES | | NULL | |
| imState | varchar(255) | YES | | NULL | |
| lastLogin | varchar(255) | YES | | NULL | |
| publisherId | varchar(255) | YES | | NULL | |
| plus | varchar(255) | YES | | NULL | |
| pcShow | varchar(255) | YES | | NULL | |
| companyLogo | varchar(255) | YES | | NULL | |
| appShow | varchar(255) | YES | | NULL | |
| deliver | varchar(255) | YES | | NULL | |
| gradeDescription | varchar(255) | YES | | NULL | |
| formatCreateTime | varchar(255) | YES | | NULL | |
+-------------------+--------------+------+-----+---------+----------------+
将上面保存的cityname.txt和keyword.txt导入到数据库，这样更方便我们之后的操作。
# 总结
这一节先写到这边，主要是介绍思路和前期的准备工作，下一节进行代码的编写。
网友评论