Pyhton爬蟲實戰 - 抓取BOSS直聘職位描述 和 數據清洗
零、致謝
感謝BOSS直聘相對權威的招聘信息，使本人有了這次比較有意思的研究之旅。
由於爬蟲持續爬取 www.zhipin.com 網站，以致產生的服務器壓力，本人深感歉意，並沒有 DDoS 和危害貴網站的意思。
[2017-12-14更新]在跑了一夜之后，服務器 IP 還是被封了，搞得本人現在家里、公司、雲服務器三線作戰啊
[2017-12-19更新]后續把拉勾網的數據也爬到，加了進來
一、抓取詳細的職位描述信息
1.1 前提數據
這里需要知道頁面的 id 才能生成詳細的鏈接，在 Python爬蟲框架Scrapy實戰 - 抓取BOSS直聘招聘信息 中，我們已經拿到招聘信息的大部分信息，里面有個 pid 字段就是用來唯一區分某條招聘，並用來拼湊詳細鏈接的。
是吧，明眼人一眼就看出來了。
1.2 詳情頁分析
詳情頁如下圖所示
在詳情頁中，比較重要的就是職位描述和工作地址這兩個
由於在頁面代碼中崗位職責和任職要求是在一個 div 中的，所以在抓的時候就不太好分，后續需要把這個連體嬰兒，分開分析。
1.3 爬蟲用到的庫
使用的庫有
- requests
- BeautifulSoup4
- pymongo
對應的安裝文檔依次如下，就不細說了
1.4 Python 代碼
"""
@author: jtahstu
@contact: root@jtahstu.com
@site: http://www.jtahstu.com
@time: 2017/12/10 00:25
"""
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import time
from pymongo import MongoClient
headers = {
'x-devtools-emulate-network-conditions-client-id': "5f2fc4da-c727-43c0-aad4-37fce8e3ff39",
'upgrade-insecure-requests': "1",
'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36",
'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
'dnt': "1",
'accept-encoding': "gzip, deflate",
'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",
'cookie': "__c=1501326829; lastCity=101020100; __g=-; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.20.1.20.20; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502948718; __c=1501326829; lastCity=101020100; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502954829; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.21.1.21.21",
'cache-control': "no-cache",
'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831"
}
conn = MongoClient('127.0.0.1', 27017)
db = conn.iApp # 連接mydb數據庫，沒有則自動創建
def init():
items = db.jobs_php.find().sort('pid')
for item in items:
if 'detail' in item.keys(): # 在爬蟲掛掉再此爬取時，跳過已爬取的行
continue
detail_url = "https://www.zhipin.com/job_detail/%s.html?ka=search_list_1" % item['pid']
print(detail_url)
html = requests.get(detail_url, headers=headers)
if html.status_code != 200: # 爬的太快網站返回403，這時等待解封吧
print('status_code is %d' % html.status_code)
break
soup = BeautifulSoup(html.text, "html.parser")
job = soup.select(".job-sec .text")
if len(job) < 1:
continue
item['detail'] = job[0].text.strip() # 職位描述
location = soup.select(".job-sec .job-location")
item['location'] = location[0].text.strip() # 工作地點
item['updated_at'] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()) # 實時爬取時間
res = save(item) # 保存數據
print(res)
time.sleep(40) # 停停停
# 保存數據到 MongoDB 中
def save(item):
return db.jobs_php.update_one({"_id": item['_id']}, {"$set": item})
if __name__ == "__main__":
init()
代碼 easy，初學者都能看懂。
1.5 再啰嗦幾句
在 上一篇文章 中只是爬了 上海-PHP 近300條數據，后續改了代碼，把12個城市的 PHP 相關崗位的數據都抓下來了，有3500+條數據，慢慢爬吧，急不來。
像這樣
二、數據清洗
2.1 校正發布日期
"time" : "發布於03月31日",
"time" : "發布於昨天",
"time" : "發布於11:31",
這里拿到的都是這種格式的，所以簡單處理下
import datetime
from pymongo import MongoClient
db = MongoClient('127.0.0.1', 27017).iApp
def update(data):
return db.jobs_php.update_one({"_id": data['_id']}, {"$set": data})
# 把時間校正過來
def clear_time():
items = db.jobs_php.find({})
for item in items:
if not item['time'].find('布於'):
continue
item['time'] = item['time'].replace("發布於", "2017-")
item['time'] = item['time'].replace("月", "-")
item['time'] = item['time'].replace("日", "")
if item['time'].find("昨天") > 0:
item['time'] = str(datetime.date.today() - datetime.timedelta(days=1))
elif item['time'].find(":") > 0:
item['time'] = str(datetime.date.today())
update(item)
print('ok')
2.2 校正薪水以數字保存
"salary" : "5K-12K",
#處理成下面的格式
"salary" : {
"low" : 5000,
"high" : 12000,
"avg" : 8500.0
},
# 薪水處理成數字，符合 xk-yk 的數據處理，不符合的跳過
def clear_salary():
items = db.jobs_lagou_php.find({})
for item in items:
if type(item['salary']) == type({}):
continue
salary_list = item['salary'].lower().replace("k", "000").split("-")
if len(salary_list) != 2:
print(salary_list)
continue
try:
salary_list = [int(x) for x in salary_list]
except:
print(salary_list)
continue
item['salary'] = {
'low': salary_list[0],
'high': salary_list[1],
'avg': (salary_list[0] + salary_list[1]) / 2
}
update(item)
print('ok')
[2017-12-19更新]這里在處理 Boss 直聘的數據時，比較簡單正常，但是后續抓到拉勾網的數據，拉勾網的數據有些不太規范。比如有‘20k以上’這種描述
2.3 根據 工作經驗年限 划分招聘等級
# 校正拉勾網工作年限描述，以 Boss直聘描述為准
def update_lagou_workyear():
items = db.jobs_lagou_php.find({})
for item in items:
if item['workYear'] == '應屆畢業生':
item['workYear'] = '應屆生'
elif item['workYear'] == '1年以下':
item['workYear'] = '1年以內'
elif item['workYear'] == '不限':
item['workYear'] = '經驗不限'
update_lagou(item)
print('ok')
# 設置招聘的水平，分兩次執行
def set_level():
items = db.jobs_zhipin_php.find({})
# items = db.jobs_lagou_php.find({})
for item in items:
if item['workYear'] == '應屆生':
item['level'] = 1
elif item['workYear'] == '1年以內':
item['level'] = 2
elif item['workYear'] == '1-3年':
item['level'] = 3
elif item['workYear'] == '3-5年':
item['level'] = 4
elif item['workYear'] == '5-10年':
item['level'] = 5
elif item['workYear'] == '10年以上':
item['level'] = 6
elif item['workYear'] == '經驗不限':
item['level'] = 10
update(item)
print('ok')
這里有點坑的就是，一般要求經驗不限的崗位，需求基本都寫在任職要求里了，所以為了統計的准確性，這個等級的數據，后面會被舍棄掉。
[2017-12-14更新]從后續的平均數據來看，這里的經驗不限，一般要求的是1-3年左右，但是還是建議舍棄掉。
[2017-12-19更新]拉勾網的職位描述和 Boss直聘稍有不同，需要先校正，然后再設置等級
2.4 區分開<崗位職責>和<任職要求>
對於作者這個初學者來說，這里還沒有什么好的方法，知道的同學，請務必聯系作者，聯系方式在個人博客里
so , i'm sorry.
為什么這兩個不好划分出來呢？
因為這里填的並不統一，可以說各種花樣，有的要求在前，職責在后，有的又換個名字區分。目前看到的關於要求的有['任職條件', '技術要求', '任職要求', '任職資格', '崗位要求']這么多說法。然后順序還不一樣，有的要求在前，職責在后，有的又反之。
舉個栗子
會基本的php編程！能夠修改簡單的軟件！對雲服務器和數據庫能夠運用！懂得微信公眾賬號對接和開放平台對接！我們不是軟件公司，是運營公司！想找好的公司學習的陝西基本沒有，要到沿海城市去！但是我們是實用型公司，主要是軟件應用和更適合大眾！
啥也不說的，這里可以認為這是一條臟數據了。
再舉個栗子
PHP中級研發工程師（ERP/MES方向）
1、計算機或相關學科本科或本科以上學歷；
2、php和Java script的開發經驗。
3、Linux和MySQL數據庫的開發經驗；
5、有ERP、MES相關開發經驗優先；
6、英語的讀寫能力；
7、文化的開放性；
我們提供
1、有趣的工作任務；
2、多元的工作領域；
3、與能力相關的收入；
4、年輕、開放並具有創造力的團隊和工作氛圍；
5、不斷接觸最新科技（尤其是工業4.0相關）；
6、可適應短期出差（提供差補）；
這個只有要求，沒職責，還多了個提供，我樂個趣 ╮(╯▽╰)╭
所以，氣的想罵人。
2.5 缺失值分析 [2017-12-19]更新
Boss直聘這里有部分招聘沒有industryField、financeStage和companySize值，這個可以看前一篇的爬蟲代碼，拉勾網的數據基本沒問題。
2.6 異常值分析 [2017-12-19] 更新
- 崗位要求工作年限和職位描述里的要求不一致，比如崗位列表里要求的是
1年以內,但是職位描述里卻是2年以上工作經驗，這是由於 HR 填寫不規范引起的誤差。 - 由第1點引起的另一個問題，就是與工作年限要求不對應的薪水，使計算的平均薪水偏高。比如一條記錄，年限要求是
一年以內，所以等級為2，但是薪水卻是20k-30k，實際上這是等級為3的薪水，這里就得校正 level 字段，目前只是手動的把幾個較高的記錄手動改了，都校正過來很困難，得文本分析招聘要求。
2.7 失效值排除 [2017-12-19] 更新
首先這里需要一個判斷某條招聘是否還掛在網站上的方法，這個暫時想到了還沒弄
然后對於發布時間在兩個月之前的數據，就不進行統計計算
ok ，現在我們的數據基本成這樣了
{
"_id" : ObjectId("5a30ad2068504386f47d9a4b"),
"city" : "蘇州",
"companyShortName" : "藍海彤翔",
"companySize" : "100-499人",
"education" : "本科",
"financeStage" : "B輪",
"industryField" : "互聯網",
"level" : 3,
"pid" : "11889834",
"positionLables" : [
"PHP",
"ThinkPHP"
],
"positionName" : "php研發工程師",
"salary" : {
"avg" : 7500.0,
"low" : 7000,
"high" : 8000
},
"time" : "2017-06-06",
"updated_at" : "2017-12-13 18:31:15",
"workYear" : "1-3年",
"detail" : "1、處理landcloud雲計算相關系統的各類開發和調研工作；2、處理coms高性能計算的各類開發和調研工作崗位要求：1、本科學歷，兩年以上工作經驗，熟悉PHP開發，了解常用的php開發技巧和框架；2、了解C++，python及Java開發；3、有一定的研發能力和鑽研精神；4、有主動溝通能力和吃苦耐勞的精神。",
"location" : "蘇州市高新區科技城錦峰路158號101park8幢"
}
由於還沒到數據展示的時候，所以現在能想到的就是先這樣處理了
項目開源地址：http://git.jtahstu.com/jtahstu/Scrapy_zhipin
三、展望和設想
首先這個小玩意數據量並不夠多，因為爬取時間短，站點唯一，再者廣度局限在 PHP 這一個崗位上，以致存在一定的誤差。
所以為了數據的豐富和多樣性，這個爬蟲是一定要持續跑着的，至少要抓幾個月的數據才算可靠吧。
然后准備再去抓下拉勾網的招聘數據，這也是個相對優秀的專業 IT 招聘網站了，數據也相當多，想當初找實習找正式工作，都是在這兩個 APP 上找的，其他的網站幾乎都沒看。
最后，對於科班出身的學弟學妹們，過來人說一句，編程相關的職業就不要去志連、錢塵烏有、five eight桐城了，好嗎？那里面都發的啥呀，看那些介紹心里沒點數嗎？
四、help
這里完全就是作者本人依據個人微薄的見識，主觀臆斷做的一些事情，所以大家有什么點子和建議，都可以評論一下，多交流交流嘛。
后續會公開所有數據，大家自己可以自己分析分析。
我們太年輕，以致都不知道以后的時光，竟然那么長，長得足夠讓我們把一門技術研究到頂峰，亂花漸欲迷人眼，請不要忘了根本好嗎。
生活總是讓我們遍體鱗傷，但到后來，那些受傷的地方一定會變成我們最強壯的地方。 —海明威 《永別了武器》