数据采集

事情的起源是这样的，某个风和日丽的下午… 习惯性的打开知乎准备划下水，看到一个问题刚好邀请回答

于是就萌生了采集下某招聘网站Python岗位招聘的信息，看一下目前的薪水和岗位分布，说干就干。

先说下数据采集过程中遇到的问题，首先请求头是一定要伪装的，否则第一步就会给你弹出你的请求太频繁，请稍后再试，其次网站具有多重反爬策略，解决方案是每次先获取session然后更新我们的session进行抓取，最后拿到了想要的数据。

Chrome浏览器右键检查查看network，找到链接https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false

可以看到返回的数据正是页面的Python招聘详情，于是我直接打开发现直接提示{"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"124.77.161.207","state":2402}，机智的我察觉到事情并没有那么简单

真正的较量才刚刚开始，我们先来分析下请求的报文，

可以看到请求是以post的方式传递的，同时传递了参数

datas = {            'first': 'false',            'pn': x,            'kd': 'python',        }

同时不难发现每次点击下一页都会同时发送一条get请求

经过探索，发现这个get请求和我们post请求是一致的，那么问题就简单许多，整理一下思路

关键词：python 
搜索范围：全国
数据时效：2019.05.05

#!/usr/bin/env python3.4# encoding: utf-8"""Created on 19-5-05@title: ''@author: Xusl"""import jsonimport requestsimport xlwtimport time

# 获取存储职位信息的json对象，遍历获得公司名、福利待遇、工作地点、学历要求、工作类型、发布时间、职位名称、薪资、工作年限def get_json(url, datas):    my_headers = {        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36",        "Referer": "https://www.lagou.com/jobs/list_Python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput=",        "Content-Type": "application/x-www-form-urlencoded;charset = UTF-8"    }    time.sleep(5)    ses = requests.session()    # 获取session    ses.headers.update(my_headers)  # 更新    ses.get("https://www.lagou.com/jobs/list_python?city=%E5%85%A8%E5%9B%BD&cl=false&fromSearch=true&labelWords=&suginput=")    content = ses.post(url=url, data=datas)    result = content.json()    info = result['content']['positionResult']['result']    info_list = []    for job in info:        information = []        information.append(job['positionId'])  # 岗位对应ID        information.append(job['city'])  # 岗位对应城市        information.append(job['companyFullName'])  # 公司全名        information.append(job['companyLabelList'])  # 福利待遇        information.append(job['district'])  # 工作地点        information.append(job['education'])  # 学历要求        information.append(job['firstType'])  # 工作类型        information.append(job['formatCreateTime'])  # 发布时间        information.append(job['positionName'])  # 职位名称        information.append(job['salary'])  # 薪资        information.append(job['workYear'])  # 工作年限        info_list.append(information)        # 将列表对象进行json格式的编码转换,其中indent参数设置缩进值为2        # print(json.dumps(info_list, ensure_ascii=False, indent=2))    # print(info_list)    return info_list

def main():    page = int(input('请输入你要抓取的页码总数：'))    # kd = input('请输入你要抓取的职位关键字：')    # city = input('请输入你要抓取的城市：')

    info_result = []    title = ['岗位id', '城市', '公司全名', '福利待遇', '工作地点', '学历要求', '工作类型', '发布时间', '职位名称', '薪资', '工作年限']    info_result.append(title)    for x in range(1, page+1):        url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'        datas = {            'first': 'false',            'pn': x,            'kd': 'python',        }        try:            info = get_json(url, datas)            info_result = info_result + info            print("第%s页正常采集" % x)        except Exception as msg:            print("第%s页出现问题" % x)

        # 创建workbook,即excel        workbook = xlwt.Workbook(encoding='utf-8')        # 创建表,第二参数用于确认同一个cell单元是否可以重设值        worksheet = workbook.add_sheet('lagouzp', cell_overwrite_ok=True)        for i, row in enumerate(info_result):            # print(row)            for j, col in enumerate(row):                # print(col)                worksheet.write(i, j, col)        workbook.save('lagouzp.xls')

if __name__ == '__main__':    main()

当然存储于excel当然是不够的，之前一直用matplotlib做数据可视化，这次换个新东西pyecharts。

了解pyecharts

pyecharts是一款将python与echarts结合的强大的数据可视化工具，包含多种图表

• Bar（柱状图/条形图）

• Bar3D（3D 柱状图）

• Boxplot（箱形图）

• EffectScatter（带有涟漪特效动画的散点图）

• Funnel（漏斗图）

• Gauge（仪表盘）

• Geo（地理坐标系）

• Graph（关系图）

• HeatMap（热力图）

• Kline（K线图）

• Line（折线/面积图）

• Line3D（3D 折线图）

• Liquid（水球图）

• Map（地图）

• Parallel（平行坐标系）

• Pie（饼图）

• Polar（极坐标系）

• Radar（雷达图）

• Sankey（桑基图）

• Scatter（散点图）

• Scatter3D（3D 散点图）

• ThemeRiver（主题河流图）

• WordCloud（词云图）

用户自定义

• Grid 类：并行显示多张图

• Overlap 类：结合不同类型图表叠加画在同张图上

• Page 类：同一网页按顺序展示多图

• Timeline 类：提供时间线轮播多张图

另外需要注意的是从版本0.3.2 开始，为了缩减项目本身的体积以及维持 pyecharts 项目的轻量化运行，pyecharts 将不再自带地图 js 文件。如用户需要用到地图图表（Geo、Map），可自行安装对应的地图文件包。

1. 全球国家地图: echarts-countries-pypkg (1.9MB): 世界地图和 213 个国家，包括中国地图

2. 中国省级地图: echarts-china-provinces-pypkg (730KB)：23 个省，5 个自治区

3. 中国市级地图: echarts-china-cities-pypkg (3.8MB)：370 个中国城市

也可以使用命令进行安装

pip install echarts-countries-pypkgpip install echarts-china-provinces-pypkgpip install echarts-china-cities-pypkg

数据可视化（代码+展示）

• 各城市招聘数量

from pyecharts import Bar

city_nms_top10 = ['北京', '上海', '深圳', '成都', '杭州', '广州', '武汉', '南京', '苏州', '郑州', '天津', '西安', '东莞', '珠海', '合肥', '厦门', '宁波',                  '南宁', '重庆', '佛山', '大连', '哈尔滨', '长沙', '福州', '中山']city_nums_top10 = [149, 95, 77, 22, 17, 17, 16, 13, 7, 5, 4, 4, 3, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1]

bar = Bar("Python岗位", "各城市数量")bar.add("数量", city_nms, city_nums, is_more_utils=True)# bar.print_echarts_options() # 该行只为了打印配置项，方便调试时使用bar.render('Python岗位各城市数量.html')  # 生成本地 HTML 文件

• 地图分布展示（这个场景意义不大，不过多分析）

from pyecharts import Geo

city_datas = [('北京', 149), ('上海', 95), ('深圳', 77), ('成都', 22), ('杭州', 17), ('广州', 17), ('武汉', 16), ('南京', 13), ('苏州', 7),     ('郑州', 5), ('天津', 4), ('西安', 4), ('东莞', 3), ('珠海', 2), ('合肥', 2), ('厦门', 2), ('宁波', 1), ('南宁', 1), ('重庆', 1),     ('佛山', 1), ('大连', 1), ('哈尔滨', 1), ('长沙', 1), ('福州', 1), ('中山', 1)]geo = Geo("Python岗位城市分布地图", "数据来源拉勾", title_color="#fff",                  title_pos="center", width=1200,                  height=600, background_color='#404a59')attr, value = geo.cast(city_datas)geo.add("", attr, value, visual_range=[0, 200], visual_text_color="#fff",                symbol_size=15, is_visualmap=True)geo.render("Python岗位城市分布地图_scatter.html")

geo = Geo("Python岗位城市分布地图", "数据来源拉勾", title_color="#fff",                  title_pos="center", width=1200,                  height=600, background_color='#404a59')        attr, value = geo.cast(city_datas)        geo.add("", attr, value, type="heatmap", visual_range=[0, 10], visual_text_color="#fff",                symbol_size=15, is_visualmap=True)        geo.render("Python岗位城市分布地图_heatmap.html")

• 各个城市招聘情况

from pyecharts import Pie

city_nms_top10 = ['北京', '上海', '深圳', '成都', '广州', '杭州', '武汉', '南京', '苏州', '郑州']city_nums_top10 = [149, 95, 77, 22, 17, 17, 16, 13, 7, 5]pie = Pie()pie.add("", city_nms_top10, city_nums_top10, is_label_show=True)# pie.show_config()pie.render('Python岗位各城市分布饼图.html')

北上深的岗位明显碾压其它城市，这也反映出为什么越来越多的it从业人员毕业以后相继奔赴一线城市，除了一线城市的薪资高于二三线这个因素外，还有一个最重要的原因供需关系，因为一线岗位多，可选择性也就比较高，反观二三线的局面，很有可能你跳个几次槽，发现同行业能呆的公司都待过了…

• 薪资范围

由此可见，python的岗位薪资多数在10k~20k，想从事Python行业的可以把工作年限和薪资结合起来参考一下。

• 学历要求 + 工作年限

从工作年限来看，1-3年或者3-5年工作经验的招聘比较多，而应届生和一年以下的寥寥无几，对实习生实在不太友好，学历也普遍要求本科，多数公司都很重视入职人员学历这点毋容置疑，虽然学历不代表一切，但是对于一个企业来说，想要短时间内判断一个人的能力，最快速有效的方法无疑是从学历入手。学历第一关，面试第二关。

但是，这不代表学历不高的人就没有好的出路，现在的大学生越来越多，找工作也越来越难，竞争越来越激烈，即使具备高学历，也不能保证你一定可以找到满意的工作，天道酬勤，特别是it这个行业，知识的迭代，比其他行业来的更频密。不断学习，拓展自己学习的广度和深度，才是最正确的决定。

就业寒冬来临，我们需要的是理性客观的看待，而不是盲目地悲观或乐观。从以上数据分析，如果爱好Python，仍旧可以入坑，不过要注意一个标签有工作经验，就算没有工作经验，自己在学习Python的过程中一定要尝试独立去做一个完整的项目，爬虫也好，数据分析也好，亦或者是开发，都要尝试独立去做一套系统，在这个过程中培养自己思考和解决问题的能力。持续不断的学习，才是对自己未来最好的投资，也是度过寒冬最正确的姿势。

原文链接：https://mp.weixin.qq.com/s/dxLy8Vpd2mYGcj5mWXbEvQ

查阅更为简洁方便的分类文章以及最新的课程、产品信息，请移步至全新呈现的“LeadAI学院官网”：

www.leadai.org

请关注人工智能LeadAI公众号，查看更多专业文章

大家都在看

LSTM模型在问答系统中的应用

基于TensorFlow的神经网络解决用户流失概览问题

最全常见算法工程师面试题目整理（一）

最全常见算法工程师面试题目整理（二）

TensorFlow从1到2 | 第三章 深度学习革命的开端：卷积神经网络

装饰器 | Python高级编程

今天不如来复习下Python基础