封面
</br>
注：本文主要参照：手把手 | 教你爬下100部电影数据：R语言网页爬取入门指南（http://mp.weixin.qq.com/s/mIL-p2q7Jp-dhkXkDIrdHQ）
一入爬虫深似海，从此复制是路人。
都说在这一行混，多多少少都要会点爬虫，毕竟自己动手丰衣足食，本文记录小鑫第一次练习爬虫的过程。仅供参考，欢迎各路朋友指点。（E-mail：rockyxin@rockyxin.com）
文末有源代码及数据。
</br>
准备 | 必要的工具
chrome浏览器+SelectorGadget插件。
用来获得网页中某些部分的相关标签，若不懂HTML和CSS，强烈安利这个插件。懂HTML和CSS的话，略过，用不着我来教了。
安装插件之后，在网页的右上角就会出现图标，在使用的时候单机一下就可以。
点击之后，鼠标移动到网页上就会出现一系列的变化，再单机想要知道标签的地方，比如标题部分：
截图1
可以看到，虽然选中了标题，但同时公司名称和薪资也同样被选中了，想要取消选中公司名称很简单，单机一下公司名称所在的位置就可以了，如下图
截图2
至于不选中薪资，在这里没法做到，不过没关系，在后面可以进行清理。
当然，也可以通过右键查看网页源代码或者右键审查，可以查看标签，这种方式显然需要一点HTML基础。
截图3
至于R的操作环境，推荐使用RStudio，没有原因，它就是非常好……
</br>
开始 | 准备爬取
网上有看到爬知乎、爬微博、爬智联招聘、爬拉勾网，各种网站的爬取方式略微不同，小鑫在找了几个招聘的网站之后，发现BOSS直聘的网址比较简单，页面源码也不复杂，因此，就从这里开始。
先加载需要的包:
library(xml2)
library(rvest)
</br>
首先，分析网址
小鑫搜索的是深圳的数据分析岗位，网址如下：
https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&scity=101280600&source=2
这里似乎发现不了规律，再点开下一页呢：https://www.zhipin.com/c101280600/h_101280600/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=2&ka=page-2
其中个地方引起了我注意：page=2和ka=page-2，小鑫试了一下，只要改变这个数字，就能控制翻页，这个网站最多只能显示30页，每页15个。所以，不同页，除了数字不同之外，其他部分都是一模一样的，那就好办了，给出一个变量page，然后用for循环：
site1 <- "https://www.zhipin.com/c101280600/h_101280600/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page="
site2 <- "&ka=page-"
page <- 1
for(page in 1:30){
site <- paste(site1,page,site2,page,sep="")
webpage <- read_html(site)
循…
环…
内…
容…
…
}
site1和site2控制着整个网址的固定部分，page控制网址的变动部分，从1循环到30。
循环中的第一个语句，用paste将site1、site2、page连接成一个完整的网址。
第二句：将网页信息保存到webpage这个变量里，以后的所有抓取动作，都是从这个变量里来的。
</br>
然后，确定抓取内容
这一步主要是回到网页中来：
截图4
可以发现，在每条招聘信息里，可以爬取这些内容：标题、薪资、公司名、地点、经验要求、学历要求、行业、融资/上市情况、公司规模、关键词、联系人及其岗位。
不同的内容在不同的标签里面，这里仅仅拿部分内容举例说明，其他信息的爬取都是大同小异的，详见附件源码或联系小鑫（E-mail：rockyxin@rockyxin.com）
值得一提的是，不同招聘信息的关键词数量不同，所以，我就单独把关键词作为另一项内容保存了起来，用于后面做词云。
</br>
OK | 开始爬取
先爬取标题和公司名称，用谷歌浏览器和插件，可得知标题和公司名称所在的标签分别是：.info-primary .name和.company-text .name，使用如下语句：
name1 <- html_nodes(webpage,'.info-primary .name')# 抓取标题
name2 <- html_nodes(webpage,'.company-text .name')# 抓取公司名称
查看name1和name2。
截图5
可以看出，已经爬取了正确的信息，只是需要删除那些标签和不需要的内容，接下来的思路就很简单了，使用gsub函数，将不必要的内容替换成空。
比如：< h3 class="name">、< span class="red">、< /span>\n</h3>这些标签。
name1 <- gsub("<h3 class=\"name\">","",name1)
name1 <- gsub(" <span class=\"red\">.*","",name1)
name1 <- gsub("</span>\n</h3>","",name1)
name1 <- gsub("</h3>","",name1)
titlename <- as.data.frame(name1)
name2 <- gsub("<h3 class=\"name\">","",name2)
name2 <- gsub("</h3>","",name2)
companyname <- as.data.frame(name2)
这个时候，再看一下数据内容：
截图6
保存数据：
bossdata <- data.frame(companyname,titlename)
bossdata
可以看出，能完成到这一步，基本上算是完成了90%，后面的思路都是大同小异的，注意变换一下形式就OK了，但是还是有一个小问题，就是剩下的10%。
继续 | 最后一小步
然后就是抓取薪资，这一步也很简单，直接上代码：
# 抓取薪资
salary <- html_nodes(webpage,'.red')
salary <- gsub("<span class=\"red\">","",salary)
salary <- gsub("</span>","",salary)
bossdata <- cbind(bossdata,salary)
bossdata
问题出在了这一步：
# 抓取要求及公司信息
message <- html_nodes(webpage,'p')
message <- message[-1]
message <- gsub("<p>","",message)
message <- gsub("<em class=\"vline\"></em>",",",message)
message <- gsub("</p>","",message)
message <- gsub("<img",",",message)
message
截图7
可以看得出来，问题就在于“地点、工作经验、学历”在同一个位置，“行业、融资/上市情况、公司规模”也在同一个位置，这样的情况下，就不能按照上面的方法来操作了，其实也不难，只要设置一个循环，重点就解决了。
# 先设置三个变量，分别读取message中的不同数据
xx <- c(1:as.numeric(length(message)/3))
yy <- c(1:as.numeric(length(message)/3))
zz <- c(1:as.numeric(length(message)/3))
# xx用来存放message中的地点、经验、学历要求
k1 <- 1
l1 <- 1
for(k1 in seq(1:(length(message)/3))){
xx[k1] <- message[l1]
l1 <- k1*3+1
}
xx
# 可以看出xx虽然提取正确了，但是还需要进一步处理
xx <- as.data.frame(xx)
xx <- apply(as.data.frame(xx),1,strsplit,",")
xx <- as.data.frame(xx)
xx[1,]
# 分别提取xx中的地点，经验，学历
place <- t(as.data.frame(xx[1,]))
experience <- t(as.data.frame(xx[2,]))
education <- t(as.data.frame(xx[3,]))
# 合并数据框
bdata <- data.frame(place,experience,education)
names(bdata) = c("place", "experience", "education")
bossdata <- data.frame(bossdata, bdata)
bossdata
后面需要提取行业、融资/上市情况、公司规模等信息，都是采用相同的方法，具体内容，可以查看附件代码。至此，最简单的一个爬虫就写好了。
一般来说，行业、融资/上市情况、公司规模这三个是在一起的，但是有两条信息，只有两个内容，如下图：
截图8
截图9
我的解决方法是：找到相应的位置，然后在那个地方填补一个缺失值NA，比如，在小鑫运行程序的时候，他们处在第一页的第十一和第十五条数据，因此，小鑫使用如下代码：
if(page == 1){
financing11 <- financing[11,]
financing15 <- financing[15,]
financing[11,] <- NA
financing[15,] <- NA
companysize[11,] <- financing11
companysize[15,] <- financing15
}
else {
print("Hello World")
}
但是这种方法有很大的弊端，小鑫在写这篇文章的时候，这两条信息又跑到了第二页第五条和第十三条。因此，第一行的代码就变成了page == 2，第二三行分别是：financing5 <- financing[5,]
financing13 <- financing[13,]
小鑫在想是不是可以让R自动识别他们的位置，然后填充NA，甚至于在以后出现第三条、第四条类似信息的时候，也能识别出空缺的位置，然后进行自动填补呢？
应该是可以的，不过小鑫现在才疏学浅，还没那个技术。待小鑫技术学成，再奉上文章。
<div align = "right">——2017年5月19日</div>
【END】
源代码及爬取后数据
链接：http://pan.baidu.com/s/1jI5Lmke
密码：0cjv
网友评论