Python拉勾网数据采集与可视化-python数据采集与处理

全文简介

本文是先采集拉勾网上面的数据，采集的是Python岗位的数据，然后用Python进行可视化。主要涉及的是爬虫&数据可视化的知识。

爬虫部分

先用Python来抓取拉勾网上面的数据，采用的是简单好用的requests模块。主要注意的地方是，拉勾网属于动态网页，所以会用到浏览器的F12开发者工具进行抓包。抓包以后会发现，其实网页是一个POST的形式，所以要提交数据，提交的数据如下图：

真实网址是：https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false&isSchoolJob=0

在上图也可以轻松发现：kd是查询关键词，pn是页数，可以实现翻页。

代码实现

import requests # 网络请求 
import re 
import time 
import random 
 
# post的网址 
url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false&isSchoolJob=0' 
 
# 反爬措施 
header = {'Host': 'www.lagou.com', 
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36', 
'Accept': 'application/json, text/javascript, */*; q=0.01', 
'Accept-Language': 'zh-CN,en-US;q=0.7,en;q=0.3', 
'Accept-Encoding': 'gzip, deflate, br', 
'Referer': 'https://www.lagou.com/jobs/list_Python?labelWords=&fromSearch=true&suginput=', 
'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8', 
'X-Requested-With': 'XMLHttpRequest', 
'X-Anit-Forge-Token': 'None', 
'X-Anit-Forge-Code': '0', 
'Content-Length': '26', 
'Cookie': 'user_trace_token=20171103191801-9206e24f-9ca2-40ab-95a3-23947c0b972a; _ga=GA1.2.545192972.1509707889; LGUID=20171103191805-a9838dac-c088-11e7-9704-5254005c3644; JSESSIONID=ABAAABAACDBABJB2EE720304E451B2CEFA1723CE83F19CC; _gat=1; LGSID=20171228225143-9edb51dd-ebde-11e7-b670-525400f775ce; PRE_UTM=; PRE_HOST=www.baidu.com; PRE_SITE=https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DKkJPgBHAnny1nUKaLpx2oDfUXv9ItIF3kBAWM2-fDNu%26ck%3D3065.1.126.376.140.374.139.129%26shh%3Dwww.baidu.com%26sht%3Dmonline_3_dg%26wd%3D%26eqid%3Db0ec59d100013c7f000000055a4504f6; PRE_LAND=https%3A%2F%2Fwww.lagou.com%2F; LGRID=20171228225224-b6cc7abd-ebde-11e7-9f67-5254005c3644; index_location_city=%E5%85%A8%E5%9B%BD; TG-TRACK-CODE=index_search; SEARCH_ID=3ec21cea985a4a5fa2ab279d868560c8', 
'Connection': 'keep-alive', 
'Pragma': 'no-cache', 
'Cache-Control': 'no-cache'} 
 
for n in range(30): 
     
    # 要提交的数据 
    form = {'first':'false', 
            'kd':'Python', 
            'pn':str(n)} 
     
    time.sleep(random.randint(2,5)) 
     
    # 提交数据 
    html = requests.post(url,data=form,headers = header) 
     
    # 提取数据 
    data = re.findall('{"companyId":.*?,"positionName":"(.*?)","workYear":"(.*?)","education":"(.*?)","jobNature":"(.*?)","financeStage":"(.*?)","companyLogo":".*?","industryField":".*?","city":"(.*?)","salary":"(.*?)","positionId":.*?,"positionAdvantage":"(.*?)","companyShortName":"(.*?)","district"',html.text) 
     
    # 转换成数据框 
     
    data = pd.DataFrame(data) 
     
    # 保存在本地 
    data.to_csv(r'D:\Windows 7 Documents\Desktop\My\LaGouDataMatlab.csv',header = False, index = False, mode = 'a+')

注意：抓取数据的时候不要爬取太快，除非你有其他的反爬措施，比如更换IP等，另外不需登录，我在代码加入了time模块，用于限制爬取速度。

数据可视化

下载下来的数据长成这个样子：

注意标题(也就是列明)是我自己添加的。

导入模块并配置绘图风格

import pandas as pd # 数据框操作 
import numpy as np  
import matplotlib.pyplot as plt # 绘图 
import jieba # 分词 
from wordcloud import WordCloud # 词云可视化 
import matplotlib as mpl  # 配置字体 
from pyecharts import Geo # 地理图 
 
mpl.rcParams["font.sans-serif"] = ["Microsoft YaHei"] 
# 配置绘图风格 
plt.rcParams["axes.labelsize"] = 16.    
plt.rcParams["xtick.labelsize"] = 14. 
plt.rcParams["ytick.labelsize"] = 14. 
plt.rcParams["legend.fontsize"] = 12. 
plt.rcParams["figure.figsize"] = [15., 15.]

注意：导入模块的时候其他都容易解决，除了wordcloud这个模块，这个模块我建议大家手动安装，如果pip安装的话，会提示你缺少C++14.0之类的错误，导致安装不上。手动下载whl文件就可以顺利安装了。

数据预览

# 导入数据 
data = pd.read_csv('D:\\Windows 7 Documents\\Desktop\\My\\LaGouDataPython.csv',encoding='gbk')  # 导入数据 
data.head()

read_csv路径不要带有中文

data.tail()

学历要求

data['学历要求'].value_counts().plot(kind='barh',rot=0)  
plt.show()

工作经验

data['工作经验'].value_counts().plot(kind='bar',rot=0,color='b') 
plt.show()

Python热门岗位

final = ''   
stopwords = ['PYTHON','python','Python','工程师','（','）','/'] # 停止词 
for n in range(data.shape[0]): 
     
    seg_list = list(jieba.cut(data['岗位职称'][n])) 
    
    for seg in seg_list:   
        if seg not in stopwords:   
                final = final + seg + ' ' 
# final 得到的词汇

工作地点

data['工作地点'].value_counts().plot(kind='pie',autopct='%1.2f%%',explode = np.linspace(0,1.5,25))  
plt.show()

工作地理图

# 提取数据框 
data2 = list(map(lambda x:(data['工作地点'][x],eval(re.split('k|K',data['工资'][x])[0])*1000),range(len(data)))) 
# 提取价格信息 
data3 = pd.DataFrame(data2) 
# 转化成Geo需要的格式 
data4 = list(map(lambda x:(data3.groupby(0).mean()[1].index[x],data3.groupby(0).mean()[1].values[x]),range(len(data3.groupby(0))))) 
# 地理位置展示 
geo = Geo("全国Python工资布局", "制作人:挖掘机小王子", title_color="#fff", title_pos="left", width=1200, height=600, 
background_color='#404a59') 
attr, value = geo.cast(data4) 
geo.add("", attr, value, type="heatmap", is_visualmap=True, visual_range=[0, 300], visual_text_color='#fff') 
# 中国地图Python工资，此分布是最低薪资 
geo

关于作者：

姓名：麦艳涛(原姓貊)

网名：挖掘机小王子

个人网站：挖掘机小王子