Python爬虫实战 - 抓取BOSS直聘职位描述和数据清洗！_python

概述<h2style=\"margin-top:0px;margin-bottom:0px;padding:0px;font-weight:400;font-size:22px;max-width:100%;font-family:\'-apple-system-font\',BlinkMacSystemFont,\'HelveticaNeue\',\'PingFangSC\',\'H

<h2 >零、致谢感谢BOSS直聘相对权威的招聘信息，使本人有了这次比较有意思的研究之旅。

由于爬虫持续爬取 www.zhipin.com 网站，以致产生的服务器压力，本人深感歉意，并没有 DDoS 和危害贵网站的意思。

<blockquote >2017-12-14 更新
在跑了一夜之后，服务器 IP 还是被封了，搞得本人现在家里、公司、云服务器三线作战啊一、抓取详细的职位描述信息

<h3 >1.1 前提数据这里需要知道页面的 ID 才能生成详细的链接，在文章《Python爬虫框架Scrapy实战 - 抓取BOSS直聘招聘信息》（链接：http://www.jtahstu.com/blog/scrapy_zhipin_spIDer.HTML）中，我们已经拿到招聘信息的大部分信息，里面有个 <code >pID 字段就是用来唯一区分某条招聘，并用来拼凑详细链接的。

是吧，明眼人一眼就看出来了。

<h3 >1.2 详情页分析

详情页如下图所示

在详情页中，比较重要的就是<code >职位描述和<code >工作地址这两个

由于在页面代码中<code >岗位职责和<code >任职要求是在一个 div 中的，所以在抓的时候就不太好分，后续需要把这个连体婴儿，分开分析。

<h3 >1.3 爬虫用到的库

<ul ><li >requests

<li >BeautifulSoup4

<li >pymongo

对应的安装文档依次如下，就不细说了

<ul ><li >安装 Requests - Requests 2.18.1 文档（http://docs.python-requests.org/zh_CN/latest/user/install.HTML）

<li >安装 Beautiful Soup - Beautiful Soup 4.2.0 文档（https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.HTML#ID5）

<li >PyMongo安装使用笔记（http://www.jb51.cc/article/64996.htm）

1.4 Python 代码<pre ><code >"""
@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",116);">'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",116);">'accept': "text/HTML,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8",116);">'dnt': 'accept-enCoding': "gzip,deflate",116);">'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",116);">'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",116);">'cache-control': "no-cache",116);">'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831"
}
conn = MongoClIEnt('127.0.0.1',27017)
db = conn.iApp # 连接mydb数据库，没有则自动创建

def init():
items = db.jobs_PHP.find().sort('pID')
for item in items:
if 'detail' in item.keys(): # 在爬虫挂掉再此爬取时，跳过已爬取的行
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: # 爬的太快网站返回403，这时等待解封吧
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() # 职位描述
location = soup.select(".job-sec .job-location")
item['location'] = location[# 工作地点
item['updated_at'] = time.strftime("%Y-%m-%d %H:%M:%s",time.localtime()) # 实时爬取时间
res = save(item) # 保存数据
print(res)
time.sleep(40) # 停停停

# 保存数据到 MongoDB 中
save(item):
return db.jobs_PHP.update_one({"_ID": item['_ID']},{"$set": item})

if name == "main":
init()代码 easy，初学者都能看懂。

<h3 >1.5 再啰嗦几句在文章《Python爬虫框架Scrapy实战 - 抓取BOSS直聘招聘信息》（链接：http://www.jtahstu.com/blog/scrapy_zhipin_spIDer.HTML）中，只是爬了 <code >上海-PHP 近300条数据，后续改了代码，把12个城市的 PHP 相关岗位的数据都抓下来了，有3500+条数据，慢慢爬吧，急不来。

像这样

二、数据清洗

2.1 校正发布日期<pre >"time" : "发布于03月31日",
"发布于昨天",116);">"发布于11:31",这里拿到的都是这种格式的，所以简单处理下

<pre >import datetime
import MongoClIEnt
db = MongoClIEnt(27017).iApp
update(data):
"_ID": data["$set": data})
# 把时间校正过来
clear_time():
items = db.jobs_PHP.find({})
if not item['time'].find('布于'):
'time'] = item['time'].replace("发布于",116);">"2017-")
item["月",116);">"-")
item["日",116);">"")
if item["昨天") > 0:
item['time'] = str(datetime.date.today() - datetime.timedelta(days=1))
elif item[":") > 'time'] = str(datetime.date.today())
update(item)
print('ok')<h3 >2.2 校正薪水以数字保存<pre >"salary" : "5K-12K",

#处理成下面的格式
"salary" : {
"low" : 5000,116);">"high" : 12000,116);">"avg" : 8500.0
},<pre ># 薪水处理成数字
clear_salaryif type(item['salary']) == type({}):
continue
salary_List = item['salary'].replace("K",116);">"000").split("-")
salary_List = [int(x) for x in salary_List]
item['salary'] = {
'low': salary_List[0],
'high': salary_List[1],116);">'avg': (salary_List[0] + salary_List[1]) / 2
}
update(item)
print('ok')
<h3 >2.3 根据工作经验年限划分招聘等级<pre ># 设置招聘的水平
set_level'workYear'] == '应届生':
item['level'] = 1
'1年以内':
item[2
'1-3年':
item[3
'3-5年':
item[4
'5-10年':
item[5
'10年以上':
item[6
'经验不限':
item[10
update(item)
print('ok')

这里有点坑的就是，一般要求<code >经验不限的岗位，需求基本都写在<code >任职要求里了，所以为了统计的准确性，这个等级的数据，后面会被舍弃掉。

<blockquote >2017-12-14 更新：
从后续的平均数据来看，这里的<code >经验不限，一般要求的是<code >1-3年左右，但是还是建议舍弃掉。

<h3 >2.4 区分开<岗位职责>和<任职要求>对于作者这个初学者来说，这里还没有什么好的方法，知道的同学，请务必联系作者，联系方式在个人博客里

so,i'm sorry.

为什么这两个不好划分出来呢？

因为这里填的并不统一，可以说各种花样，有的要求在前，职责在后，有的又换个名字区分。目前看到的关于要求的有<code >['任职条件','技术要求','任职要求','任职资格','岗位要求']这么多说法。然后顺序还不一样，有的要求在前，职责在后，有的又反之。

举个栗子

<blockquote >会基本的PHP编程！能够修改简单的软件！对云服务器和数据库能够运用！懂得微信公众账号对接和开放平台对接！我们不是软件公司，是运营公司！想找好的公司学习的陕西基本没有，要到沿海城市去！但是我们是实用型公司，主要是软件应用和更适合大众！啥也不说的，这里可以认为这是一条<code >脏数据了。

不行，再举个栗子

<blockquote >PHP中级研发工程师（ERP/MES方向）
1、计算机或相关学科本科或本科以上学历；
2、PHP和Java script的开发经验。
3、linux和MysqL数据库的开发经验；
5、有ERP、MES相关开发经验优先；
6、英语的读写能力；
7、文化的开放性；
我们提供
1、有趣的工作任务；
2、多元的工作领域；
3、与能力相关的收入；
4、年轻、开放并具有创造力的团队和工作氛围；
5、不断接触最新科技（尤其是工业4.0相关）；
6、可适应短期出差（提供差补）；这个只有要求，没职责，还多了个提供，我乐个趣 ╮(╯▽╰)╭

所以，气的想骂人。

ok ，现在我们的数据基本成这样了

<pre >{
"_ID" : ObjectID("5a30ad2068504386f47d9a4b"),116);">"city" : "苏州",116);">"companyShortname" : "蓝海彤翔",116);">"companySize" : "100-499人",116);">"education" : "本科",116);">"financeStage" : "B轮",116);">"industryFIEld" : "互联网",116);">"level" : 3,116);">"pID" : "11889834",116);">"positionLables" : [
"PHP",
"ThinkPHP"
],116);">"positionname" : "PHP研发工程师",116);">"salary" : {
7500.0,255);">7000,255);">8000
},116);">"2017-06-06",116);">"updated_at" : "2017-12-13 18:31:15",116);">"workYear" : "1-3年",116);">"detail" : "1、处理landcloud云计算相关系统的各类开发和调研工作；2、处理coms高性能计算的各类开发和调研工作岗位要求：1、本科学历，两年以上工作经验，熟悉PHP开发，了解常用的PHP开发技巧和框架；2、了解C++，python及Java开发；3、有一定的研发能力和钻研精神；4、有主动沟通能力和吃苦耐劳的精神。",116);">"location" : "苏州市高新区科技城锦峰路158号101park8幢"
}由于还没到数据展示的时候，所以现在能想到的就是先这样处理了。

项目开源地址：http://git.jtahstu.com/jtahstu/Scrapy_zhipin

三、展望和设想

首先这个小玩意数据量并不够多，因为爬取时间短，站点唯一，再者广度局限在 PHP 这一个岗位上，以致存在一定的误差。

所以为了数据的丰富和多样性，这个爬虫是一定要持续跑着的，至少要<code >抓几个月的数据才算可靠吧。

然后准备再去抓下<code >拉勾网的招聘数据，这也是个相对优秀的专业 IT 招聘网站了，数据也相当多，想当初找实习找正式工作，都是在这两个 APP 上找的，其他的网站几乎都没看。

最后，对于科班出身的学弟学妹们，过来人说一句，编程相关的职业就不要去志连、钱尘乌有、five eight桐城了，好吗？那里面都发的啥呀，看那些介绍心里没点数吗？

四、help

这里完全就是作者本人依据个人微薄的见识，主观臆断做的一些事情，所以大家有什么点子和建议，都可以联系作者，多交流交流嘛。

后续会公开所有数据，大家自己可以弄着玩玩吧。

我们太年轻，以致都不知道以后的时光，竟然那么长，长得足够让我们把一门技术研究到顶峰，乱花渐欲迷人眼，请不要忘了根本好吗。

进群：125240963 即可获取源码！

<blockquote >生活总是让我们遍体鳞伤，但到后来，那些受伤的地方一定会变成我们最强壮的地方。 —海明威《永别了武器》

总结

以上是内存溢出为你收集整理的Python爬虫实战 - 抓取BOSS直聘职位描述和数据清洗！全部内容，希望文章能够帮你解决Python爬虫实战 - 抓取BOSS直聘职位描述和数据清洗！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。

欢迎分享，转载请注明来源：内存溢出

原文地址: http://outofmemory.cn/langs/1209002.html

Python爬虫实战 - 抓取BOSS直聘职位描述和数据清洗！

发表评论

评论列表（0条）

Python爬虫实战 - 抓取BOSS直聘职位描述 和 数据清洗！

发表评论

评论列表（0条）

Python爬虫实战 - 抓取BOSS直聘职位描述和数据清洗！