用python爬取前程无忧网，看看我们是否真的“前程无忧”？

旧图片
作者：旧时晚风拂晓城
公众号：凹凸数据

The best time to plant a tree was 10 years ago，the second best time is now.
种一棵树最好的时间是十年前，其次是现在。

利用python爬取在前程无忧网搜索python关键字出

现的最新的招聘数据，保存到本地Excel，进行数据查看和预处理，然后利用matplotlib进行数据分析和可视化。

1. 爬取数据

目标url：https://www.51job.com/

在前程无忧网输入关键字python，搜索有关的岗位数据。翻页查看这些招聘岗位信息，可以发现url翻页的规律。

检查网页源代码，可以找到想要提取的数据。

部分爬虫代码如下，完整见文末下载

    async def parse(self, text):        # 正则匹配提取数据        try:            job_name = re.findall('"job_name":"(.*?)",', text)          # 职位            company_name = re.findall('"company_name":"(.*?)",', text)  # 公司名称            salary = re.findall('"providesalary_text":"(.*?)",', text)            salary = [i.replace('\\', '') for i in salary]              # 薪酬     去掉 \ 符号            city = re.findall('"workarea_text":"(.*?)",', text)         # 城市            job_welfare = re.findall('"jobwelf":"(.*?)",', text)        # 职位福利            attribute_text = re.findall('"attribute_text":(.*?),"companysize_text"', text)            attribute_text = ['|'.join(eval(i)) for i in attribute_text]            companysize = re.findall('"companysize_text":"(.*?)",', text)  # 公司规模            category = re.findall('"companyind_text":"(.*?)",', text)            category = [i.replace('\\', '') for i in category]             # 公司所属行业  去掉 \ 符号            datas = pd.DataFrame({'company_name': company_name, 'job_name': job_name, 'companysize': companysize, 'city': city, 'salary': salary, 'attribute_text': attribute_text, 'category': category, 'job_welfare': job_welfare})            datas.to_csv('job_info.csv', mode='a+', index=False, header=True)            logging.info({'company_name': company_name, 'job_name': job_name, 'company_size': companysize, 'city': city, 'salary': salary, 'attribute_text': attribute_text, 'category': category, 'job_welfare': job_welfare})        except Exception as e:            print(e)

运行效果如下：

爬取了200页的招聘数据，共10000条招聘信息，用时49.919s。

2. 数据查看和预处理

import pandas as pddf = pd.read_csv('job_info.csv')# 异步爬虫爬取数据时  datas.to_csv('job_info.csv', mode='a+', index=False, header=True)  删除多的列名df1 = df[df['salary'] != 'salary']# 查看前10行df1.head(10)

# city那一列数据  处理为城市# 按 - 分割   expand=True  0那一列重新赋值给df['city']df1['city'] = df1['city'].str.split('-', expand=True)[0]df1.head(10)

# 经验要求学历要求   有的话是在attribute_text列里df['attribute_text'].str.split('|', expand=True)

df1['experience'] = df1['attribute_text'].str.split('|', expand=True)[1]df1['education'] = df1['attribute_text'].str.split('|', expand=True)[2]df1

保存为已清洗数据

df1.to_csv('已清洗数据.csv', index=False)

查看索引、数据类型和内存信息

df2 = pd.read_csv('已清洗数据.csv')df2.info()

3. 数据分析与可视化

(1) 柱形图展示招聘岗位数最多的城市Top10
代码如下：

import pandas as pdimport randomimport matplotlib.pyplot as pltimport matplotlib as mpldf = pd.read_csv('已清洗数据.csv')# 有些是异地招聘   过滤掉data = df[df['city'] != '异地招聘']['city'].value_counts()city = list(data.index)[:10]    # 城市nums = list(data.values)[:10]   # 岗位数print(city)print(nums)colors = ['#FF0000', '#0000CD', '#00BFFF', '#008000', '#FF1493', '#FFD700', '#FF4500', '#00FA9A', '#191970', '#9932CC']random.shuffle(colors)# 设置大小   像素plt.figure(figsize=(9, 6), dpi=100)# 设置中文显示mpl.rcParams['font.family'] = 'SimHei'# 绘制柱形图  设置柱条的宽度和颜色# color参数  每根柱条配置不同颜色plt.bar(city, nums, width=0.5, color=colors)# 添加描述信息plt.title('招聘岗位数最多的城市Top10', fontsize=16)plt.xlabel('城市', fontsize=12)plt.ylabel('岗位数', fontsize=12)# 展示图片plt.show()

运行效果如下：

['上海', '深圳', '广州', '北京', '杭州', '成都', '武汉', '南京', '苏州', '长沙'][2015, 1359, 999, 674, 550, 466, 457, 444, 320, 211]

上海、深圳、广州、北京提供了很多岗位，杭州、成都、武汉、南京等城市的招聘岗位数量也比较可观。

(2) 计算岗位数据的薪酬，处理为多少K/月，划分薪酬区间，统计薪酬分布情况，饼图展示。
代码如下：

# 设置中文显示mpl.rcParams['font.family'] = 'SimHei'# 设置大小  像素plt.figure(figsize=(9, 6), dpi=100)plt.axes(aspect='equal')   # 保证饼图是个正圆explodes = [0, 0, 0, 0.1, 0.2, 0.3, 0.4, 0.5]plt.pie(nums, pctdistance=0.75, shadow=True,  colors=colors, autopct='%.2f%%', explode=explodes,  startangle=15, labeldistance=1.1,  )# 设置图例   调节图例位置plt.legend(part_interval, bbox_to_anchor=(1.0, 1.0))plt.title('招聘岗位的薪酬分布', fontsize=15)plt.show()

运行效果如下：

招聘岗位给的薪酬在5K-10K和10K-15K区间所占的比例较大，也有一定比例的50K以上的高薪资岗位。

(3) 查看招聘岗位对学历的要求的情况，水平柱形图可视化。

mport pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mpldf = pd.read_csv(r'已清洗数据.csv')['education']data = df.value_counts()labels = ['大专', '本科', '硕士', '博士']nums = [data[i] for i in labels]print(labels)print(nums)colors = ['cyan', 'red', 'yellow', 'blue']# 设置中文显示mpl.rcParams['font.family'] = 'SimHei'# 设置显示风格plt.style.use('ggplot')# 设置大小  像素plt.figure(figsize=(8, 6), dpi=100)# 绘制水平柱状图 plt.barh(labels, nums, height=0.36, color=colors)plt.title('招聘岗位对学历的要求', fontsize=16)plt.xlabel('岗位数量', fontsize=12)plt.show()

运行效果如下：

['大专', '本科', '硕士', '博士'][2052, 6513, 761, 45]

(4) 查看招聘岗位对工作经验的要求的情况，水平柱形图可视化。
由于得到的工作经验列里的数据并不规范，统计时需做特殊处理

代码如下：

# 设置中文显示mpl.rcParams['font.family'] = 'SimHei'# 设置显示风格plt.style.use('ggplot')# 设置大小  像素plt.figure(figsize=(9, 6), dpi=100)# 绘制水平柱状图plt.barh(labels, nums, height=0.5, color=colors)plt.title('招聘岗位对工作经验的要求', fontsize=16)plt.xlabel('岗位数量', fontsize=12)plt.show()

运行效果如下：

3-4年经验      33612年经验        21141年经验        14715-7年经验      1338在校生\/应届生     661无需经验         417本科           1828-9年经验       10510年以上经验       64硕士            59招1人           57招若干人          57招2人           42大专            30招3人           14博士            11招5人            9招4人            5招10人           2招7人            1Name: experience, dtype: int64['无需经验', '1年经验', '2年经验', '3-4年经验', '5-7年经验', '8-9年经验', '10年以上经验'][1260, 1530, 2114, 3372, 1338, 105, 64]

【】#### (5) 查看招聘公司所属行业的分布情况，词云展示。

代码如下：

import pandas as pdimport collectionsfrom wordcloud import WordCloudimport matplotlib.pyplot as pltdf = pd.read_csv(r'已清洗数据.csv')['category']data = list(df.values)word_list = []for i in data:    x = i.split('/')    for j in x:        word_list.append(j)word_counts = collections.Counter(word_list)# 绘制词云my_cloud = WordCloud(    background_color='white',  # 设置背景颜色  默认是black    width=900, height=500,    font_path='simhei.ttf',    # 设置字体  显示中文    max_font_size=120,         # 设置字体最大值    min_font_size=15,          # 设置子图最小值    random_state=60            # 设置随机生成状态，即多少种配色方案).generate_from_frequencies(word_counts)# 显示生成的词云图片plt.imshow(my_cloud, interpolation='bilinear')# 显示设置词云图中无坐标轴plt.axis('off')plt.show()

运行效果如下：

(6) 查看招聘岗位的职位福利，词云展示。
代码与上文一致

运行效果如下：

职位福利关键词中出现频率较高的有五险一金、年终奖金、绩效奖金、定期体检、餐饮补贴等。

源码&数据下载

https://alltodata.cowtransfer.com/s/b1c87350fd8a47

网页打开链接即可不限速下载

用python爬取前程无忧网，看看我们是否真的“前程无忧”？