关于
一直埋头学习，不知当前趋势，这是学习一门技术过程中最大的忌讳。刚好利用python爬虫，抓取一下拉勾网关于python职位的一些基本要求，不仅能知道岗位的基本技能要求，还能锻炼一下代码能力，学以致用，一举两得。
准备
工具 ：python 2.7,PyCharm
类库：urllib2、BeautifulSoup、time、re、sys、json、collections、xlsxwriter
分析及代码实现
进入拉勾网进行分析，要想获取每个岗位的关键词，首先要知道每个岗位详情页面的url，通过对比我们发现，https://www.lagou.com/jobs/4289433.html中，只有4289433这一串数字是不同的，那么就可以知道我们只要获取到每个岗位的这一串数字，我们就可以爬取每个岗位详情页面。
通过F12查看，我们可以看到xhr请求中https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false的响应消息里的参数positionId的值为详情页面url的那串数字，如下图
image.png
，那么接下来我们就爬取这个请求来获取所有的positionId。首先我们通过分析可以看到这是个post请求且form的参数为first、pn、kd，通过不同岗位列表页面的请求，我们可以看到first的取值逻辑是pn为1的时候，first为true，当pn不为1的时候，first的取值为false（其中pn为岗位列表的页数），还有kd为一个固定值（这里是python）
image.png
到这里，具体的逻辑已经很清楚了，具体的代码实现如下：
def get_positionId(pn):
positionId_list = []
url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'Referer': 'https://www.lagou.com/jobs/list_Python?px=default&city=%E5%8C%97%E4%BA%AC'
}
if pn == 1:
first = 'true'
else:
first = 'false'
data = {
'first': first,
'pn': pn,
'kd':kd #这里取变量值，可以获取不同岗位的关键词
}
page = get_page(url, headers, data)
if page == None:
return None
max_pageNum = get_pageSize(page)
result = page['content']['positionResult']['result']
for num in range(0, max_pageNum):
positionId = result[num]['positionId']
positionId_list.append(positionId)
return positionId_list #该函数返回一个列表页的所有岗位的positionId
image.png
具体的实现如下：
#获取每个岗位的职位要求
def get_content(positionId):
url = 'https://www.lagou.com/jobs/%s.html' %(positionId)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'Referer': 'https://www.lagou.com/jobs/list_Python?px=default&city=%E5%8C%97%E4%BA%AC'
}
page = get_page(url,headers,data=0)
soup = Bs(page, 'html.parser')
content = soup.find('dd', class_='job_bt').get_text()
return content
接下来就是对获取到的岗位描述进行过滤处理，来获取英文关键词，实现如下：
#对获取的关键词列表进行过滤去重，获取top50的关键词
#处理岗位描述，获取英文关键词
def get_keyword(content):
pattern = re.compile('[a-zA-Z]+')
keyword = pattern.findall(content)
return keyword
然后，在通过collections中的Counter模块获取到这些英文关键词中的top50，实现如下：
#对获取的关键词列表进行过滤去重，获取top50的关键词
def parser_keyword(keyword_list):
for i in range(len(keyword_list)):
keyword_list[i] = keyword_list[i].lower()
keyword_top = Counter(keyword_list).most_common(50)
return keyword_top
最后把top50的关键词保存到Excel中，并且生成分析图，实现如下：
#数据保存到Excel中，并且生成报表。
def save_excel(keyword_top):
row = 1
col = 0
workbook = xlsxwriter.Workbook('lagou.xlsx')
worksheet = workbook.add_worksheet('lagou')
worksheet.write(0, col, u'关键词')
worksheet.write(0, col+1, u'频次')
for name, num in keyword_top:
worksheet.write(row, col, name)
worksheet.write(row, col+1, num)
row += 1
chart = workbook.add_chart({'type': 'area'})
chart.add_series({
'categories': 'lagou!$A$2:$A$51',
'values': 'lagou!$B$2:$B$51'
})
chart.set_title({'name': u'关键词排名'})
chart.set_x_axis({'name': u'关键词'})
chart.set_y_axis({'name': u'频次（/次）'})
worksheet.insert_chart('C2', chart, {'x_offset':15, 'y_offset':10})
workbook.close()
结果
具体生成的分析图如下：
image.png
如果对您有点帮助的话，麻烦您给点个赞，谢谢。
最后附上全部的代码：
# -*-coding: utf-8 -*-
import urllib2
import urllib
import re
from bs4 import BeautifulSoup as Bs
import json
import time
import sys
from collections import Counter
import xlsxwriter
kd = raw_input('请输入关键字:')
#获取页面内容
def get_page(url,headers,data):
if data == 0:
try:
request = urllib2.Request(url, headers=headers)
resp = urllib2.urlopen(request)
page = resp.read()
return page
except urllib2.URLError,e:
if hasattr('reason'):
print("爬取失败", e.reason)
sys.exit(1)
else:
try:
data = urllib.urlencode(data).encode('utf-8')
request = urllib2.Request(url, data=data, headers=headers)
resp = urllib2.urlopen(request)
page = json.loads(resp.read())
if page['success'] == True:
return page
else:
print(page['msg'])
return None
except urllib2.URLError,e:
print("爬取失败", e.reason)
#获取每一页最大的pageSize
def get_pageSize(page):
max_pageNum = page['content']['pageSize']
return max_pageNum
#获取每个岗位的职位要求
def get_content(positionId):
url = 'https://www.lagou.com/jobs/%s.html' %(positionId)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'Referer': 'https://www.lagou.com/jobs/list_Python?px=default&city=%E5%8C%97%E4%BA%AC'
}
page = get_page(url,headers,data=0)
soup = Bs(page, 'html.parser')
content = soup.find('dd', class_='job_bt').get_text()
return content
#处理岗位描述，获取英文关键词
def get_keyword(content):
pattern = re.compile('[a-zA-Z]+')
keyword = pattern.findall(content)
return keyword
#获取每一页的岗位ID
def get_positionId(pn):
positionId_list = []
url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
'Referer': 'https://www.lagou.com/jobs/list_Python?px=default&city=%E5%8C%97%E4%BA%AC'
}
if pn == 1:
first = 'true'
else:
first = 'false'
data = {
'first': first,
'pn': pn,
'kd':kd
}
page = get_page(url, headers, data)
if page == None:
return None
max_pageNum = get_pageSize(page)
result = page['content']['positionResult']['result']
for num in range(0, max_pageNum):
positionId = result[num]['positionId']
positionId_list.append(positionId)
return positionId_list
#对获取的关键词列表进行过滤去重，获取top50的关键词
def parser_keyword(keyword_list):
for i in range(len(keyword_list)):
keyword_list[i] = keyword_list[i].lower()
keyword_top = Counter(keyword_list).most_common(50)
return keyword_top
#数据保存到Excel中，并且生成报表。
def save_excel(keyword_top):
row = 1
col = 0
workbook = xlsxwriter.Workbook('lagou.xlsx')
worksheet = workbook.add_worksheet('lagou')
worksheet.write(0, col, u'关键词')
worksheet.write(0, col+1, u'频次')
for name, num in keyword_top:
worksheet.write(row, col, name)
worksheet.write(row, col+1, num)
row += 1
chart = workbook.add_chart({'type': 'area'})
chart.add_series({
'categories': 'lagou!$A$2:$A$51',
'values': 'lagou!$B$2:$B$51'
})
chart.set_title({'name': u'关键词排名'})
chart.set_x_axis({'name': u'关键词'})
chart.set_y_axis({'name': u'频次（/次）'})
worksheet.insert_chart('C2', chart, {'x_offset':15, 'y_offset':10})
workbook.close()
#执行程序
def run():
#获取30页的数据
keyword_list = []
for pn in range(1, 2):
positionId_list= get_positionId(pn)
if positionId_list == None:
break
for positionId in positionId_list:
content = get_content(positionId)
keyword = get_keyword(content)
keyword_list += keyword
time.sleep(60)
keyword_top = parser_keyword(keyword_list)
save_excel(keyword_top)
if __name__ == '__main__':
run()
# save_excel()
网友评论