运行平台：Windows
Python版本：Python3.6
IDE：Sublime Text
其他工具：Chrome浏览器
0、写在前面的话
1、找到职位链接
为了得到更加详细的职位信息，我们要找到职位链接，在新的页面中寻找数据。上篇文章中我们没有解析职位链接，那再来找一下吧：
修改一下正则表达式：
# 正则表达式进行解析
pattern = re.compile('(.*?).*?'# 匹配职位详情地址和职位名称
'.*? target="_blank">(.*?).*?'# 匹配公司名称
'(.*?)', re.S)# 匹配月薪
# 匹配所有符合条件的内容
items = re.findall(pattern, html)
2、求工资平均值
工资有两种形式xxxx-yyyy或者面议，此处取第一种形式的平均值作为分析标准，虽有偏差但是也差不多，这是求职中最重要的一项指标。
foriteminitems:
salary_avarage =0
temp = item[3]
iftemp !='面议':
idx = temp.find('-')
# 求平均工资
salary_avarage = (int(temp[0:idx]) + int(temp[idx+1:]))//2
3、解析职位详细信息
3.1 网页解析
第一步已经将职位地址找到，在浏览器打开之后我们要找到如下几项数据：
在开发者工具中查找这几项数据，如下图所示：
HTML结构如下所示：
# 数据HTML结构
|------
==>|------
==>==>|------
==>==>==>|------
==>==>==>|------
==>==>|------
==>==>==>|------
==>==>==>==>|------
==>==>==>==>==>|------
工作职责:
==>==>==>==>==>|------
********
==>==>==>==>==>|------
********
# 工作职责详情==>|------
==>==>|------
==>==>==>|------
==>==>==>==>|------
3.2 代码实现
为了学习一下BeautifulSoup库的使用，我们不再使用正则表达式解析，而是BeautifulSoup库解析HTML标签来获得我们想要得到的内容。
解析库的安装：pip install beautifulsoup4
下面介绍一下本例中使用到的功能：
库的引入：from bs4 import BeautifulSoup
数据引入：soup = BeautifulSoup(html, 'html.parser')，其中html是我们要解析的html源码，html.parser指定HTML的解析器为Python标准库。
查找标签：find(name,attrs,recursive,text,**kwargs)，find返回的匹配结果的第一个元素
查找所有标签：find_all(name,attrs,recursive,text,**kwargs)可以根据标签名，属性，内容查找文档，返回找到的所有元素
获取内容：get_text()就可以获取文本内容
获取子标签：soup.p这种方式就可以获取到soup下的第一个p标签
defget_job_detail(html):
requirement =''
# 使用BeautifulSoup进行数据筛选
soup = BeautifulSoup(html,'html.parser')
# 找到
- 标签
forulinsoup.find_all('ul', class_='terminal-ul clearfix'):
# 该标签共有8个子标签，分别为：
# 职位月薪|工作地点|发布日期|工作性质|工作经验|最低学历|招聘人数|职位类别
lis = ul.find_all('strong')
# 工作经验
years = lis[4].get_text()
# 最低学历
education = lis[5].get_text()
# 筛选任职要求
forterminalpageinsoup.find_all('div', class_='terminalpage-main clearfix'):
forboxinterminalpage.find_all('div', class_='tab-cont-box'):
cont = box.find_all('div', class_='tab-inner-cont')[0]
ps = cont.find_all('p')
# "立即申请"按钮也是个p标签，将其排除
foriinrange(len(ps) -1):
requirement += ps[i].get_text().replace("\n","").strip()# 去掉换行符和空格
# 筛选公司规模，该标签内有四个或五个
scale = soup.find(class_='terminal-ul clearfix terminal-company mt20').find_all('li')[0].strong.get_text()
return{'years': years,'education': education,'requirement': requirement,'scale': scale}
本次我们将职位描述写入txt文件，其余信息写入csv文件。
csv文件采用逐行写入的方式这样也可以省点内存，修改write_csv_rows函数：
defwrite_csv_rows(path, headers, rows):
'''
写入行
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
f_csv = csv.DictWriter(f, headers)
# 如果写入数据为字典，则写入一行，否则写入多行
iftype(rows) == type({}):
f_csv.writerow(rows)
else:
f_csv.writerows(rows)
添加写txt文件函数：
defwrite_txt_file(path, txt):
'''
写入txt文本
'''
withopen(path,'a', encoding='gb18030', newline='')asf:
f.write(txt)
我们最重要对职位描述的内容进行词频统计，一些标点符号等会影响统计，使用正则表达式将其剔除：
# 对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除
pattern = re.compile(r'[一-龥]+')
filterdata = re.findall(pattern, job_detail.get('requirement'))
write_txt_file(txt_filename,''.join(filterdata))
至此，职位详细信息的获取及保存的工作已经完成，来看一下此时的main函数：
defmain(city, keyword, region, pages):
'''
主函数
'''
csv_filename ='zl_'+ city +'_'+ keyword +'.csv'
txt_filename ='zl_'+ city +'_'+ keyword +'.txt'
headers = ['job','years','education','salary','company','scale','job_url']
write_csv_headers(csv_filename, headers)
foriinrange(pages):
'''
获取该页中所有职位信息，写入csv文件
'''
job_dict = {}
html = get_one_page(city, keyword, region, i)
items = parse_one_page(html)
foriteminitems:
html = get_detail_page(item.get('job_url'))
job_detail = get_job_detail(html)
job_dict['job'] = item.get('job')
job_dict['years'] = job_detail.get('years')
job_dict['education'] = job_detail.get('education')
job_dict['salary'] = item.get('salary')
job_dict['company'] = item.get('company')
job_dict['scale'] = job_detail.get('scale')
job_dict['job_url'] = item.get('job_url')
# 对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除
pattern = re.compile(r'[一-龥]+')
filterdata = re.findall(pattern, job_detail.get('requirement'))
write_txt_file(txt_filename,''.join(filterdata))
write_csv_rows(csv_filename, headers, job_dict)
4、数据分析
本节内容为此版本的重点。
4.1 工资统计
我们对各个阶段工资的占比进行统计，分析该行业的薪资分布水平。前面我们已经把数据保存到csv文件里了，接下来要读取salary列：
defread_csv_column(path, column):
'''
读取一列
'''
withopen(path,'r', encoding='gb18030', newline='')asf:
reader = csv.reader(f)
return[row[column]forrowinreader]
# main函数里添加
print(read_csv_column(csv_filename,3))
#下面为打印结果
['salary','7000','5000','25000','12500','25000','20000','32500','20000','15000','9000','5000','5000','12500','24000','15000','18000','25000','20000','0','20000','12500','17500','17500','20000','11500','25000','12500','17500','25000','22500','22500','25000','17500','7000','25000','3000','22500','15000','25000','20000','22500','15000','15000','25000','17500','22500','10500','20000','17500','22500','17500','25000','20000','11500','11250','12500','14000','12500','17500','15000']
从结果可以看出，除了第一项，其他的都为平均工资，但是此时的工资为字符串，为了方便统计，我们将其转换成整形:
salaries = []
sal = read_csv_column(csv_filename,3)
# 撇除第一项，并转换成整形，生成新的列表
foriinrange(len(sal) -1):
# 工资为'0'的表示招聘上写的是'面议',不做统计
ifnotsal[i] =='0':
salaries.append(int(sal[i +1]))
print(salaries)
# 下面为打印结果
[7000,5000,25000,12500,25000,20000,32500,20000,15000,9000,5000,5000,12500,24000,15000,18000,25000,20000,0,20000,12500,20000,11500,17500,25000,12500,17500,25000,25000,22500,22500,17500,17500,7000,25000,3000,22500,15000,25000,20000,22500,15000,22500,10500,20000,15000,17500,17500,25000,17500,22500,25000,12500,20000,11250,11500,14000,12500,15000,17500]
我们用直方图进行展示：
plt.hist(salaries, bins=10,)
plt.show()
生成效果图如下：
从图中可以看出工资分布的情况，这样在你找工作时可以做一个参考。
4.2 职位描述词频统计
对职位描述词频统计的意义是可以了解该职位对技能的基本要求，如果正在找工作，可以估计一下自己的要求是否符合该职位；如果想要一年后换工作，那么也可以提前做好准备，迎接新的挑战。
词频统计用到了 jieba、numpy、pandas、scipy库。如果电脑上没有这两个库，执行安装指令：
pip install jieba
pip install pandas
pip install numpy
pip install scipy
4.2.1 读取txt文件
前面已经将职位描述保存到txt文件里了，现在我们将其读出：
defread_txt_file(path):
'''
读取txt文本
'''
withopen(path,'r', encoding='gb18030', newline='')asf:
returnf.read()
简单测试一下：
importjieba
importpandasaspd
content = read_txt_file(txt_filename)
segment = jieba.lcut(content)
words_df=pd.DataFrame({'segment':segment})
print(words_df)
# 输出结果如下：
segment
0岗位职责
1参与
2公司
3软件产品
4后台
5研发
6和
7维护
8工作
9参与
10建筑物
11联网
12数据分析
13算法
14的
15设计
16和
17开发
18可
19独立
20完成
21业务
22算法
23模块
... ...
从结果可以看出：“岗位职责”、“参与”、“公司”、软件产品“、”的“、”和“等单词并没有实际意义，所以我们要将他们从表中删除。
4.2.2 stop word
下面引入一个概念：stop word， 在网站里面存在大量的常用词比如：“在”、“里面”、“也”、“的”、“它”、“为”这些词都是停止词。这些词因为使用频率过高，几乎每个网页上都存在，所以搜索引擎开发人员都将这一类词语全部忽略掉。如果我们的网站上存在大量这样的词语，那么相当于浪费了很多资源。
在百度搜索stpowords.txt进行下载，放到py文件同级目录。接下来测试一下：
content = read_txt_file(txt_filename)
segment = jieba.lcut(content)
words_df=pd.DataFrame({'segment':segment})
stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep=" ",names=['stopword'],encoding='utf-8')
words_df=words_df[~words_df.segment.isin(stopwords.stopword)]
print(words_df)
# 以下为输出结果
0岗位职责
1参与
2公司
3软件产品
4后台
5研发
7维护
8工作
9参与
10建筑物
11联网
12数据分析
13算法
15设计
17开发
19独立
21业务
22算法
23模块
24开发
28产品
29目标
31改进
32创新
33任职
35熟练
38开发
39经验
40优先
41熟悉
... ...
从结果看出，那些常用的stop word比如：“的”、“和”、“可”等已经被剔除了，但是还有一些词如“岗位职责”、“参与”等也没有实际意义，如果对词频统计不产生影响，那么就无所谓，在后面统计时再决定是否对其剔除。
4.2.3 词频统计
重头戏来了，词频统计使用numpy：
importnumpy
words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})
words_stat = words_stat.reset_index().sort_values(by=["计数"],ascending=False)
print(words_stat)
# 以下是爬取全部“北京市海淀区Python工程师”职位的运行结果：
segment 计数
362开发505
590熟悉409
701经验281
325工作209
820负责171
741能力169
793设计161
82优先160
409技术157
621相关145
322岗位职责127
683系统126
64产品124
904项目123
671算法107
78任职107
532框架107
591熟练104
可以看出，某些词语还是影响了统计结果，我将以下stop word加入stopword.txt中：
开发、熟悉、熟练、精通、经验、工作、负责、能力、有限、相关、岗位职责、任职、语言、平台、参与、优先、技术、学习、产品、公司、熟练掌握、以上学历
最后运行结果如下：
775 设计 136
667 系统 109
884 项目 105
578 熟练 95
520 框架 92
656 算法 90
143 分析 90
80 优化 77
471 数据库 75
693 维护 66
235 团队 65
72 代码 61
478 文档 60
879 需求 58
766 计算机 56
698 编程 56
616 研发 49
540 沟通 49
527 模块 49
379 性能 46
695 编写 45
475 数据结构 44
这样基本上就是对技能的一些要求了，你也可以根据自己的需求再去修改stopword.txt已达到更加完美的效果。
4.2.4 词频可视化：词云
词频统计虽然出来了，可以看出排名，但是不完美，接下来我们将它可视化。使用到wordcloud库，详细介绍见 github ，使用pip install wordcloud进行安装。
fromscipy.miscimportimread
fromwordcloudimportWordCloud, ImageColorGenerator
# 设置词云属性
color_mask = imread('background.jfif')
wordcloud = WordCloud(font_path="simhei.ttf",# 设置字体可以显示中文
background_color="white",# 背景颜色
max_words=100,# 词云显示的最大词数
mask=color_mask,# 设置背景图片
max_font_size=100,# 字体最大值
random_state=42,
width=1000, height=860, margin=2,# 设置图片默认的大小,但是如果使用背景图片的话, # 那么保存的图片大小将会按照其大小保存,margin为词语边缘距离
)
# 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数
word_frequence = {x[0]:x[1]forxinwords_stat.head(100).values}
word_frequence_dict = {}
forkeyinword_frequence:
word_frequence_dict[key] = word_frequence[key]
wordcloud.generate_from_frequencies(word_frequence_dict)
# 从背景图片生成颜色值
image_colors = ImageColorGenerator(color_mask)
# 重新上色
wordcloud.recolor(color_func=image_colors)
# 保存图片
wordcloud.to_file('output.png')
plt.imshow(wordcloud)
plt.axis("off")
plt.show()
运行效果图如下（左图为原图，右图为生成的图片）：
至此，词频统计及其可视化完成。
5、其他想法
本例中进行了两种数据分析，虽为进阶版，但是还是有很多可以继续发挥的地方：
分析工作年限和工资的关系并展示、预测
统计不同工作岗位的薪资差别
利用多线程或多进程提升效率
有兴趣的可以尝试做一下。
网友评论