使用scrapy爬取前程无忧所有大数据岗位并做出数据可视化

项目要求

利用python编写爬虫程序，从招聘网上爬取数据，将数据存入到MongoDB中，将存入的数据作一定的数据清洗后分析数据，最后做数据可视化。

工具

软件

python 3.7
pycharm 2020.1.2

具体知识点

python基础知识
scrapy框架知识点
pyecharts 1.5
MongoDB

具体要求

数据源

前程无忧

爬取字段

职位名称、薪资水平、招聘单位、工作地点、工作经验、学历要求、工作内容（岗位职责）、任职要求（技能要求）

数据存储

将爬取到的数据保存在MongoDB中

数据分析与可视化

具体要求
（1） 分析“数据分析”、“大数据开发工程师”、“数据采集”等岗位的平均工资、最高工资、最低工资，并作条形图将结果展示出来。

（2）分析“数据分析”、“大数据开发工程师”、“数据采集”等大数据相关岗位在成都、北京、上海、广州、深圳的岗位数，并做条形图将结果展示出来。

（3）分析大数据相关岗位1-3年工作经验的薪资水平（平均工资、最高工资、最低工资），并做出条形图展示出来；

（4）将数据采集岗位要求的技能做出词云图

具体步骤

分析网页

点击进入网页
我们先来看看网页构造。再来分析思路：
由于我们需要的大数据岗位的分布数据，所以我们就直接搜索条件，分析大数据岗位在全国的一个分布情况。

我的思路是，既然需要字段，而且这个页面上的所有字段并没有我们需要的全部，那我们就需要进入到每一个网址里面去分析我们的字段。先来看看进去后是什么样子。

我们需要的字段都在这里面了，所以，我们就可以开始动手写代码了。

实现代码

抓取全部岗位的网址

我们之前说过，要进入到每一个网址去，那么就必然需要每一个进去的入口，而这个入口就是这个：

新建一个爬虫项目:

scrapy startproject qianchengwuyou

然后打开我们的项目，进入瞅瞅会发现啥都没有，我们再cd到我们的项目里面去开始一个爬虫项目

scrapy genspider qcwy https://search.51job.com/

当然，这后边的网址就是你要爬取的网址。

首先在开始敲代码之前，还是要设置一下我们的配置文件settings.py中写上我们的配置信息：

# 关闭网页机器人协议
ROBOTSTXT_OBEY = False
# mongodb地址
MONGODB_HOST='127.0.0.1'
# mongodb端口号
MONGODB_PORT = 27017
# 设置数据库名称
MONGODB_DBNAME = '51job'
# 存放本数据的表名称
MONGODB_DOCNAME = 'jobTable'
# 请求头信息
DEFAULT_REQUEST_HEADERS = {
     
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
'User_Agent' :'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.106 Safari/537.36'
}
# 下载管道
ITEM_PIPELINES = {
     
 'qianchengwuyou.pipelines.QianchengwuyouPipeline': 300,
}
# 下载延时
DOWNLOAD_DELAY = 1

然后再去我们的pipelines.py中开启我们的爬虫保存工作

from scrapy.utils.project import get_project_settings
settings = get_project_settings()
import pymongo
class QianchengwuyouPipeline:
    def __init__(self):
        host = settings['MONGODB_HOST']
        port = settings['MONGODB_PORT']
        self.client = pymongo.MongoClient(host=host,port=port)
        self.db = self.client[settings['MONGODB_DBNAME']]
        self.coll = self.db[settings['MONGODB_DOCNAME']]
    def process_item(self, item, spider):
        data = dict(item)
        self.coll.insert(data)
        return item
    def close(self):
        self.client.close()

定义好pipelines.py之后，我们还需要去items.py中去定义好我们需要爬取的字段，用来向pipelines.py中传输数据

import scrapy
class QianchengwuyouItem(scrapy.Item):
    zhiweimingcheng = scrapy.Field()
    xinzishuipin = scrapy.Field()
    zhaopindanwei = scrapy.Field()
    gongzuodidian = scrapy.Field()
    gongzuojingyan = scrapy.Field()
    xueli = scrapy.Field()
    yaoqiu = scrapy.Field()
    jineng = scrapy.Field()

然后就可以在我们的qcwy.py中开始敲我们的代码了；

在敲代码之前，还是要先分析一下网页结构。打开审查工具，看看我们需要的网址用xpath语法该怎么写：

我们需要拿到的是这个超链接，然后才能用框架去自动进入这个超链接提取超链接里面的内容。
再来分析分析他的文档树结构是什么样子的：

可以很清晰的看到，这个整个栏目都在div class='el'下，而且所有的招聘岗位都在这下面，所以，我们为了能够拿到所有的url，就可以去定位他的上一级标签，然后拿到所有子标签。再通过子标签去拿里面的href属性。

所以，xpath语法就可以这样写：

//*[@id='resultList']/div[@class='el']/p/span/a/@href

我们来打印一下试试：

import scrapy
from qianchengwuyou.items import QianchengwuyouItem
class QcwySpider(scrapy.Spider):
    name = 'qcwy'
    allowed_domains = ['https://www.51job.com/']
    start_urls = ['https://search.51job.com/list/000000,000000,0130%252C7501%252C7506%252C7502,01%252C32%252C38,9,99,%2520,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=']

    def parse(self, response):
        all_urls = response.xpath("//*[@id='resultList']/div[@class='el']/p/span/a/@href").getall()
        for url in all_urls:
            print(url)

接着我们再写一个启动函数：
在当前项目的任何位置新建一个main.py(名字随便你起，体现出启动俩字就行)，然后写上这两行代码：

from scrapy.cmdline import execute
execute("scrapy crawl qcwy".split())

这个意思就是从scrapy包的cmdline下导入execute模块，然后，用这个模块去运行当前项目；
运行结果：

我们拿到所有超链接之后，还不够。要记住，我们需要的所有页面的超链接。所以，我们再来分析分析每一页之间的规律。注意看最上方的url：

https://search.51job.com/list/000000,000000,0130%252C7501%252C7506%252C7502,01%252C32%252C38,9,99,%2B,2,1.html?lang=c&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=

当我们点击下一页的时候，看看url发生了哪些变化：

https://search.51job.com/list/000000,000000,0130%252C7501%252C7506%252C7502,01%252C32%252C38,9,99,%2B,2,2.html?lang=c&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=

有没有发现，中间的1.html变成了2.html；

我们再来看看，一共有多少页：

93页。那我们直接把93输入进去替换掉会怎么样：

果不其然，规律就是这个样子的。那你知道怎么去获取全部网页的xpath了吧

但是

我跳转下一页不喜欢这样跳，这样跳，每一次我还得去找规律，一大串网址麻烦的不要不要的，所以，给你们说一种新方法；

我们来看看下一页的url，用xpath该怎么去获取：

看到这个标签之后，再看看我打的箭头，知道我要干什么了吧。我们可以直接写xpath语法去获取这个url，如果有，就交给解析函数去解析当前页的网址，没有的话就结束函数的运行：
看看xpath语法该咋写：

//div[@class='p_in']//li[last()]/a/@href

所以我们只需要做如下判断：

next_page = response.xpath("//div[@class='p_in']//li[last()]/a/@href").get()
if next_page:
    yield scrapy.Request(next_page,callback=self.parse,dont_filter=True)

如果有下一页，就继续交给parse()函数去解析网址；

我们再回到之前的问题，我们拿到当前页的招聘网址之后，就要进入到这个网址里面；所以，我们就需要一个解析页面的函数去解析我们的字段；
所以我们全部的代码如下：

import scrapy
from qianchengwuyou.items import QianchengwuyouItem
class QcwySpider(scrapy.Spider):
    name = 'qcwy'
    allowed_domains = ['https://www.51job.com/']
    start_urls = ['https://search.51job.com/list/000000,000000,0130%252C7501%252C7506%252C7502,01%252C32%252C38,9,99,%2520,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=']

    def parse(self, response):
        all_urls = response.xpath("//*[@id='resultList']/div[@class='el']/p/span/a/@href").getall()
        for url in all_urls:
            yield scrapy.Request(url,callback=self.parse_html,dont_filter=True)
        next_page = response.xpath("//div[@class='p_in']//li[last()]/a/@href").get()
        if next_page:
            yield scrapy.Request(next_page,callback=self.parse,dont_filter=True)

我们就单独再写一个parse_html()函数去解析页面就行了；
这样就能抓取到93页全部招聘网址；

字段提取

我们随便点进去一个招聘信息瞅一瞅；

我们需要的是这里面的字段信息；
还是老样子，打开审查工具看看构造是什么样的；

我们很大一部分的信息都在这个标签里面，所以，我们就可以单独在这个标签中拿到我们需要的信息。所以，我这儿就直接把xpath语法贴出来，至于怎么分析怎么写，上面讲过了；

zhiweimingcheng = response.xpath("//div[@class='cn']/h1/text()").getall()[0]
xinzishuipin = response.xpath("//div[@class='cn']//strong/text()").get()
zhaopindanwei = response.xpath("//div[@class='cn']//p[@class='cname']/a[1]/@title").get()
gongzuodidian = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[0]
gongzuojingyan = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[1]
xueli = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[2]

我们除了这些字段，还需要任职要求和技能要求。我们再看看，下面的职位信息这个标签中的内容；

我们需要的内容都在这个标签里面。但是，这些技能标签我们该怎么去提取呢。我也没想到办法，所以我干脆就不提取这里面的技能，我们重新打开一个招聘信息看看；

看见没有，有关键字。所以我们就可以把这个关键字拿来当我们需要的技能标签。

但是又有细心的小伙伴发问了，有的没有关键字这一栏咋办，那岂不是找不到标签会报语法错误。
so，你是忘了你学过的try except语法了吗。

所以，我们抓取全部的字段，就可以这样来写：

   def parse_html(self,response):
        item = QianchengwuyouItem()
        try:
            zhiweimingcheng = response.xpath("//div[@class='cn']/h1/text()").getall()[0]
            xinzishuipin = response.xpath("//div[@class='cn']//strong/text()").get()
            zhaopindanwei = response.xpath("//div[@class='cn']//p[@class='cname']/a[1]/@title").get()
            gongzuodidian = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[0]
            gongzuojingyan = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[1]
            xueli = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[2]
            yaoqius = response.xpath("//div[@class='bmsg job_msg inbox']//text()").getall()
            yaoqiu_str = ""
            for yaoqiu in yaoqius:
                yaoqiu_str+=yaoqiu.strip()
            jineng = ""
            guanjianzi = response.xpath("//p[@class='fp'][2]/a/text()").getall()
            for i in guanjianzi:
                jineng+=i+" "
        except:
            zhiweimingcheng=""
            xinzishuipin=""
            zhaopindanwei = ""
            gongzuodidian = ""
            gongzuojingyan =""
            xueli = ""
            yaoqiu_str = ""
            jineng = ""

当然，这些字段抓取到了然后呢，总得需要去想个办法保存到MongoDB中吧，所以，我们就可以通过之前定义好的items来保存数据；
so，你看了这么久，终于等到主页的全部代码了，我也废话讲了这么一大片了：

# -*- coding: utf-8 -*-
import scrapy
from qianchengwuyou.items import QianchengwuyouItem
class QcwySpider(scrapy.Spider):
    name = 'qcwy'
    allowed_domains = ['https://www.51job.com/']
    start_urls = ['https://search.51job.com/list/000000,000000,0130%252C7501%252C7506%252C7502,01%252C32%252C38,9,99,%2520,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=']

    def parse(self, response):
        all_urls = response.xpath("//*[@id='resultList']/div[@class='el']/p/span/a/@href").getall()
        for url in all_urls:
            yield scrapy.Request(url,callback=self.parse_html,dont_filter=True)
        next_page = response.xpath("//div[@class='p_in']//li[last()]/a/@href").get()
        if next_page:
            yield scrapy.Request(next_page,callback=self.parse,dont_filter=True)
    def parse_html(self,response):
        item = QianchengwuyouItem()
        try:
            zhiweimingcheng = response.xpath("//div[@class='cn']/h1/text()").getall()[0]
            xinzishuipin = response.xpath("//div[@class='cn']//strong/text()").get()
            zhaopindanwei = response.xpath("//div[@class='cn']//p[@class='cname']/a[1]/@title").get()
            gongzuodidian = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[0]
            gongzuojingyan = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[1]
            xueli = response.xpath("//div[@class='cn']//p[@class='msg ltype']/text()").getall()[2]
            yaoqius = response.xpath("//div[@class='bmsg job_msg inbox']//text()").getall()
            yaoqiu_str = ""
            for yaoqiu in yaoqius:
                yaoqiu_str+=yaoqiu.strip()
            jineng = ""
            guanjianzi = response.xpath("//p[@class='fp'][2]/a/text()").getall()
            for i in guanjianzi:
                jineng+=i+" "
        except:
            zhiweimingcheng=""
            xinzishuipin=""
            zhaopindanwei = ""
            gongzuodidian = ""
            gongzuojingyan =""
            xueli = ""
            yaoqiu_str = ""
            jineng = ""
        finally:
            item["zhiweimingcheng"] = zhiweimingcheng
            item["xinzishuipin"] = xinzishuipin
            item["zhaopindanwei"] = zhaopindanwei
            item["gongzuodidian"] = gongzuodidian
            item["gongzuojingyan"] = gongzuojingyan
            item["xueli"] = xueli
            item["yaoqiu"] = yaoqiu_str
            item["jineng"] = jineng
        yield item

然后，保存数据就简单了，我们去pipelines.py中连接到我们的MongoDB，然后保存数据进去；由于保存数据太简单，百度上一搜就能搜到，我就直接贴代码出来了：

from scrapy.utils.project import get_project_settings
settings = get_project_settings()
import pymongo
class QianchengwuyouPipeline:
    def __init__(self):
        host = settings['MONGODB_HOST']
        port = settings['MONGODB_PORT']
        self.client = pymongo.MongoClient(host=host,port=port)
        self.db = self.client[settings['MONGODB_DBNAME']]
        self.coll = self.db[settings['MONGODB_DOCNAME']]
    def process_item(self, item, spider):
        data = dict(item)
        self.coll.insert(data)
        return item
    def close(self):
        self.client.close()

然后，开始我们的爬虫启动；

由于这个爬虫不是分布式，所以，要一条一条的请求，会很慢很慢，你可以在这个时间去吃个饭，看个电影都行；
最后看看我们拿到的数据是什么样子的；

一共有4600条数据；整整爬了一个多小时，后期改进；

可视化

分析“数据分析”、“大数据开发工程师”、“数据采集”等岗位的平均工资、最高工资、最低工资，并作条形图将结果展示出来

新建一个文件，名字自己起，我的叫数据可视化.py
然后需要连接mongodb和做条形图，就导入下面的这些库，re用来提取一些不方便取出来的数据

import pymongo
import re
from pyecharts.charts import Bar
from pyecharts import options as opts
myclient = pymongo.MongoClient("127.0.0.1",port=27017)
mydb = myclient["51job"]
mytable = mydb["jobTable"]

先来分析分析需要哪些东西（这儿我就先分析一个，其他两个是一样的道理）；

• 首先，岗位名称是数据分析
• 然后要三个变量来保存最低、最高、平均薪资。

因为岗位是数据分析，但是招聘岗位不可能就这四个字。所以我们需要用到模糊查询，类似于mysql中的like。求工资，平均工资直接就最低+最高然后除2，所以，这儿就用正则语法来提取有最低和最高工资的标签栏。
多个条件用$and连接；

看看条件怎么写吧；

shujufenxi_query = {
     "$and":
                 [{
     "zhiweimingcheng": {
     "$regex": "数据分析"}},
                  {
     "xinzishuipin": {
     "$regex": "万/月"}}
                  ]
}

然后定义三个列表，用来保存三种数据，后面用来给柱状图传参；
所以代码如下：

def shujufenxi(query):
    min_salary_list = []
    max_salary_list = []
    average_salary_list = []
    addr_list = []
    for i in mytable.find(query):
        min_salary = i["xinzishuipin"].split("-")[0]
        # print(min_salary)
        max_salary = re.findall(r'([\d+\.]+)', (i["xinzishuipin"].split("-")[1]))[0]
        average_salary = "{:.1f}".format((float(min_salary) + float(max_salary)) / 2)
        company = i["gongzuodidian"]
        print(company)
        min_salary_list.append(min_salary)
        max_salary_list.append(max_salary)
        average_salary_list.append(average_salary)
        addr_list.append(company)
    bar = Bar(
        init_opts=opts.InitOpts(width="1800px", height="800px"),
    )
    bar.set_global_opts(
        title_opts=opts.TitleOpts(title="数据分析工程师薪资", subtitle="单位  万/月"),
        xaxis_opts=opts.AxisOpts(axislabel_opts={
     "rotate": 45}),
    )
    bar.add_xaxis(addr_list)
    bar.add_yaxis("最高薪资", max_salary_list)
    bar.add_yaxis("最低薪资", min_salary_list)
    bar.add_yaxis("平均薪资", average_salary_list)
    bar.render("数据分析工程师.html")

其他两个道理是一样的道理，我就不写代码了；自己慢慢摸索吧。
我们来看看数据展示的效果图；由于数据量太大，展示出来已经面目全非了，后期改进；

分析“数据分析”、“大数据开发工程师”、“数据采集”等大数据相关岗位在成都、北京、上海、广州、深圳的岗位数，并做条形图将结果展示出来

其实这个图和前面做的图步骤也差不多；
我就直接贴代码上去了；

import pymongo
import re
from pyecharts.charts import Bar
from pyecharts import options as opts
myclient = pymongo.MongoClient("127.0.0.1",port=27017)
mydb = myclient["51job"]
mytable = mydb["jobTable"]

query_chengdu = {
     "$and":
                     [{
     "gongzuodidian":{
     "$regex":"成都"}},
                       {
     "zhiweimingcheng": {
     "$regex": "数据分析"}}
                      ]
                 }
query_beijing = {
     "$and":
                     [{
     "gongzuodidian":{
     "$regex":"北京"}},
                       {
     "zhiweimingcheng": {
     "$regex": "数据分析"}}
                      ]
                 }
query_shanghai = {
     "$and":
                     [{
     "gongzuodidian":{
     "$regex":"上海"}},
                       {
     "zhiweimingcheng": {
     "$regex": "数据分析"}}
                      ]
                 }
query_guangzhou = {
     "$and":
                     [{
     "gongzuodidian":{
     "$regex":"广州"}},
                       {
     "zhiweimingcheng": {
     "$regex": "数据分析"}}
                      ]
                 }
query_shenzhen = {
     "$and":
                     [{
     "gongzuodidian":{
     "$regex":"深圳"}},
                       {
     "zhiweimingcheng": {
     "$regex": "数据分析"}}
                      ]
                 }
chengdu_num = 0
beijing_num = 0
shanghai_num = 0
guangzhou_num = 0
shenzhen_num = 0
for i in mytable.find():
    if "成都" in i["gongzuodidian"]:
        chengdu_num+=1
    elif "北京" in i["gongzuodidian"]:
        beijing_num+=1
    elif "上海" in i["gongzuodidian"]:
        shanghai_num+=1
    elif "广州" in i["gongzuodidian"]:
        guangzhou_num+=1
    elif "深圳" in i["gongzuodidian"]:
        shenzhen_num+=1
print(chengdu_num,beijing_num,shanghai_num,guangzhou_num,shenzhen_num)
addr = ["成都","北京","上海","广州","深圳"]
num = [chengdu_num,beijing_num,shanghai_num,guangzhou_num,shenzhen_num]

bar = Bar(init_opts=opts.InitOpts(width="1800px", height="800px"))
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="数据分析师地区岗位个数", subtitle="单位  个"),
    xaxis_opts=opts.AxisOpts(axislabel_opts={
     "rotate": 45}),
)
bar.add_xaxis(addr)
bar.add_yaxis("数据分析师地区岗位个数", num)
bar.render("数据分析师地区岗位个数.html")

看看运行结果啥样的：

分析大数据相关岗位1-3年工作经验的薪资水平（平均工资、最高工资、最低工资），并做出条形图展示出来

这些图都没啥水平，无非就是查询条件不一样；
看看结果啥样的：

也是乱的一批，数据太多，过滤之后也是这个鬼样子；

将数据采集岗位要求的技能做出词云图

还记得我们之前写的那个关键词吗，对，没错，我们就是要用这个来做词云图。
词云图还是使用pyecharts自带的WordCloud来搞定；
因为我们拿到的所有关键字，在之前用了空白去替换，也就是说，做出来的词云图会有瑕疵，也就需要我们去想办法去过滤一遍。其中的逻辑就交给你们自己想想该怎么去过滤儿。我就负责给你们思路；

• 因为词云图会根据你元素出现的次数来判断大小，所以，我们需要统计每个元素出现的次数
• 其次，你还要过滤空白，还有一些特殊字符

最后给你们展示一下词云图的效果;

总结经验

这个项目，实用性还是很强，用到的知识点也很广泛，对巩固基础也有很好的效果。
唯一美中不足的地方就是爬行速度太慢，建议使用分布式或者多线程模式爬取。

谢谢观看 ~~~