使用Python的Scrapy框架爬取51job职位和分析

一、爬取数据

Python版本是3.6,爬取后保存在MySQL中,版本是5.5。

51job搜索位置的链接是【数据分析师招聘,求职】-前程无忧

首先是可以在ide中运行scrapy的文件run.py:

from scrapy.cmdline import execute

execute(['scrapy', 'crawl', 'job51'])

需要爬取并存储的字段item.py:

import scrapy

class Job51Item(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    zhiwei = scrapy.Field()

    gongsi = scrapy.Field()

    didian = scrapy.Field()

    xinzi = scrapy.Field()

    gongsileixing = scrapy.Field()

    guimo = scrapy.Field()

    hangye = scrapy.Field()

    jingyan = scrapy.Field()

    xueli = scrapy.Field()

    fuli = scrapy.Field()

    zhiweiyaoqiu = scrapy.Field()

    lianjie = scrapy.Field()

爬虫的入口 job51.py:

import re

import scrapy

from bs4 import BeautifulSoup

from items import Job51Item

class Myspider(scrapy.Spider):

    name = 'job51'

    allowed_domains = ['51job.com']

    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

    def start_requests(self):

        for i in range(1, 208):

            url_1 = 'http://search.51job.com/list/000000,000000,0000,00,9,99,%25E6%2595%25B0%25E6%258D%25AE%25E5%2588%2586%25E6%259E%2590%25E5%25B8%2588,2,'

            url_2 = '.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=1&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='

            url = url_1 + str(i) + url_2

            yield scrapy.Request(url, headers=self.headers, callback=self.parse)

#获取每个职位的详细信息入口url

    def parse(self, response):

        soup = BeautifulSoup(response.text, 'lxml')

        tls = soup.find_all('p', class_='t1 ')

        for tl in tls:

            url = tl.find('a', target='_blank')['href']

            yield scrapy.Request(url, callback=self.get_content, meta={'url': url})

    #用BeautifulSoup爬取详细页字段

    def get_content(self, response):

        soup = BeautifulSoup(response.text, 'lxml')

        item = Job51Item()

        item['zhiwei'] = soup.find('h1').get_text().replace('\xa0', '')

        item['gongsi'] = soup.find('p', class_='cname').find('a', target='_blank').get_text().replace('\xa0', '')

        item['didian'] = soup.find('span', class_='lname').get_text().replace('\xa0', '')

        item['xinzi'] = soup.find('div', class_='cn').find('strong').get_text().replace('\xa0', '')

        gongsixinxi = soup.find('p', class_='msg ltype').get_text().replace('\t', '').replace('\r', '').replace('\n', '').replace('\xa0', '')

        item['gongsileixing'] = gongsixinxi.split('|')[0]

        item['guimo'] = gongsixinxi.split('|')[1]

        item['hangye'] = gongsixinxi.split('|')[2]

        zhaopinyaoqiu = soup.find('div', class_='t1').get_text().replace('\xa0', '')

        item['jingyan'] = zhaopinyaoqiu.split('\n')[1]

        try:

            item['xueli'] = re.findall(r'(.*?)', response.text)[0]

        except:

            item['xueli'] = '无'

        try:

            item['fuli'] = soup.find('p', class_='t2').get_text().replace('\n', ' ').replace('\xa0', '')

        except:

            item['fuli'] = '无'

        item['zhiweiyaoqiu'] =

re.findall(r'< div class="bmsg job_msg inbox">(.*?)

', response.text, re.I|re.S|re.M)[0].replace('\r', '').replace('\n', '').replace('\t', '').replace('\xa0', '').replace('
', '').replace('
', '')

        item['lianjie'] = response.meta['url']

        yield item

SQL部分sql.py:

import pymysql.cursors

import settings

MYSQL_HOSTS = settings.MYSQL_HOSTS

MYSQL_USER = settings.MYSQL_USER

MYSQL_PASSWORD = settings.MYSQL_PASSWORD

MYSQL_PORT = settings.MYSQL_PORT

MYSQL_DB = settings.MYSQL_DB

cnx = pymysql.connect(

    host=MYSQL_HOSTS,

    port=MYSQL_PORT,

    user=MYSQL_USER,

    passwd=MYSQL_PASSWORD,

    db=MYSQL_DB,

    charset='gbk')

cur = cnx.cursor()

class Sql:

    @classmethod

    def insert_job51(cls, zhiwei, gongsi, didian, xinzi, gongsileixing, guimo, hangye, jingyan, xueli, fuli, zhiweiyaoqiu, lianjie):

        sql = 'INSERT INTO job51(zhiwei,gongsi,didian,xinzi,gongsileixing,guimo,hangye,jingyan,xueli,fuli,zhiweiyaoqiu,lianjie) ' \

              'VALUES(%(zhiwei)s,%(gongsi)s,%(didian)s,%(xinzi)s,%(gongsileixing)s,%(guimo)s,%(hangye)s,%(jingyan)s,%(xueli)s,%(fuli)s,%(zhiweiyaoqiu)s,%(lianjie)s)'

        value = {'zhiwei': zhiwei,

                'gongsi': gongsi,

                'didian': didian,

                'xinzi': xinzi,

                'gongsileixing': gongsileixing,

                'guimo': guimo,

                'hangye': hangye,

                'jingyan': jingyan,

                'xueli': xueli,

                'fuli': fuli,

                'zhiweiyaoqiu': zhiweiyaoqiu,

                'lianjie': lianjie,}

        cur.execute(sql, value)

        cnx.commit()

管道存储pipelines.py:

from .sql import Sql

from items import Job51Item

class Job51Pipeline(object):

    def process_item(self, item, spider):

            zhiwei = item['zhiwei']

            gongsi = item['gongsi']

            didian = item['didian']

            xinzi = item['xinzi']

            gongsileixing = item['gongsileixing']

            guimo = item['guimo']

            hangye = item['hangye']

            jingyan = item['jingyan']

            xueli = item['xueli']

            fuli = item['fuli']

            zhiweiyaoqiu = item['zhiweiyaoqiu']

            lianjie = item['lianjie']

            Sql.insert_job51(zhiwei, gongsi, didian, xinzi, gongsileixing, guimo, hangye, jingyan, xueli, fuli, zhiweiyaoqiu, lianjie)

            print('写入职位信息')

在MySQL中建立新表,包含所有字段:

CREATE TABLE `job51` (

  `id` int(10) NOT NULL AUTO_INCREMENT,

  `zhiwei` varchar(255) DEFAULT NULL,

  `gongsi` varchar(255) DEFAULT NULL,

  `didian` varchar(255) DEFAULT NULL,

  `xinzi` varchar(255) DEFAULT NULL,

  `gongsileixing` varchar(255) DEFAULT NULL,

  `guimo` varchar(255) DEFAULT NULL,

  `hangye` varchar(255) DEFAULT NULL,

  `jingyan` varchar(255) DEFAULT NULL,

  `xueli` varchar(255) DEFAULT NULL,

  `fuli` varchar(255) DEFAULT NULL,

  `zhiweiyaoqiu` text,

  `lianjie` text,

  PRIMARY KEY (`id`)

) ENGINE=InnoDB DEFAULT CHARSET=gbk

配置settings.py:

BOT_NAME = 'job51'

SPIDER_MODULES = ['job51.spiders']

NEWSPIDER_MODULE = 'job51.spiders'

MYSQL_HOSTS = 'localhost'

MYSQL_USER = 'root'

MYSQL_PASSWORD = '123456'

MYSQL_PORT = 3306

MYSQL_DB = 'job51'

ROBOTSTXT_OBEY = True

ITEM_PIPELINES = {

    'job51.pipelines.Job51Pipeline': 300,

}

HTTPCACHE_ENABLED = True

HTTPCACHE_EXPIRATION_SECS = 0

HTTPCACHE_DIR = 'httpcache'

HTTPCACHE_IGNORE_HTTP_CODES = []

HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

二、数据清洗和可视化

一共爬取了9705条职位信息,如图所示。


使用Python的Scrapy框架爬取51job职位和分析_第1张图片

通过Excel清洗数据后导入Tableau进行可视化分析。

1.民营公司招聘需求占了近2/3,其次是合资公司

使用Python的Scrapy框架爬取51job职位和分析_第2张图片

2.150-500人规模的公司需求最多,薪资基本随着公司规模扩大而增加

使用Python的Scrapy框架爬取51job职位和分析_第3张图片

3.不同行业的数据分析职位平均薪资水平,集中在9-11K之间

使用Python的Scrapy框架爬取51job职位和分析_第4张图片

4.北上深杭平均薪资10K左右

使用Python的Scrapy框架爬取51job职位和分析_第5张图片

5.要求为本科的最多,硕士以上很少,要求不限学历的也很可观

使用Python的Scrapy框架爬取51job职位和分析_第6张图片

6.1年经验的职位薪资略低于应届生,5年以上经验的薪资水平上了一个台阶

使用Python的Scrapy框架爬取51job职位和分析_第7张图片

7.聚类分析


使用Python的Scrapy框架爬取51job职位和分析_第8张图片

根据职位特征进行聚类分析,大致可以把职位需求分为三种类型:

从薪资上看,其中第一、三类属于高薪职位,平均薪资能够达到11K,第三类的薪资水平分布稍稳定;第二类平均薪资仅7K左右。

从规模上看,大型公司提供的待遇更加优渥,全部属于高薪职位;小型公司和中型公司分别有45.5%、40.2%的职位薪资水平较低。

从经验要求来看,要求少量经验的公司最多,但是56.5%的职位薪资不高;而经验较丰富的职位都属于高薪。

从学历要求来看,无学历要求和专科集中在第二类,而本科和研究生集中在第一、三类,可见在数据分析职位上学历是比较重要的因素。

8.招聘要求的关键词词云

使用Python的Scrapy框架爬取51job职位和分析_第9张图片

三、总结

1、从公司岗位需求来看,北上广深杭是缺口比较大的地区,民营公司的需求最大,规模越大的公司能开出更高的薪资条件来吸引人才;

2、从薪资水平来看,刚入行薪资在7-8K,2年后能够达到每2年增加4-5K的发展水平。北上深杭的平均薪资能达到10K,属于第一梯队,其次是南京广州苏州在8K左右,福州东莞武汉在7K左右,属于第二梯队;

3、从求职者角度来看,高薪职位基本在本科及以上学历中分布,需要掌握的技能包括业务类如分析能力、表达能力以及逻辑能力,工具类如Excel、Python、SPSS、Hadoop等。

你可能感兴趣的:(使用Python的Scrapy框架爬取51job职位和分析)