基于Python爬蟲技術(shù)的IT類畢業(yè)生求職數(shù)據(jù)抓取與分析研究

摘要：在分析網(wǎng)絡(luò)時(shí)代爬蟲技術(shù)的基礎(chǔ)上，介紹了基于python語言爬蟲技術(shù)的基本情況及其特性，并列舉了利用python語言編寫爬蟲程序?qū)η俺虩o憂網(wǎng)的IT類求職數(shù)據(jù)行了爬取，對(duì)爬取的數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析， 得出相關(guān)結(jié)論。

關(guān)鍵詞：Python；Scrapy；爬蟲技術(shù)；數(shù)據(jù)分析；就業(yè)推薦

1.引言

隨著大數(shù)據(jù)時(shí)代的發(fā)展，網(wǎng)絡(luò)上有價(jià)值信息的讀取和解析漸漸成為成功挖掘數(shù)據(jù)的基礎(chǔ)性工作。面對(duì)互聯(lián)網(wǎng)上各種格式的網(wǎng)頁和網(wǎng)頁開發(fā)者不同的設(shè)計(jì)思路，網(wǎng)絡(luò)爬蟲技術(shù)在近年來獲得了人們?cè)絹碓蕉嗟年P(guān)注和研究，爬蟲技術(shù)的發(fā)展驅(qū)動(dòng)了現(xiàn)代的大數(shù)據(jù)網(wǎng)絡(luò)時(shí)代。爬蟲技術(shù)是一把利用網(wǎng)絡(luò)上龐大的數(shù)據(jù)資源的利器，通過構(gòu)造爬蟲，不僅可以連接數(shù)據(jù)和解析數(shù)據(jù)，還可以將這些數(shù)據(jù)進(jìn)行分析并將分析結(jié)果利用圖表進(jìn)行展示。爬蟲可以實(shí)現(xiàn)網(wǎng)頁之間的連接，構(gòu)建整個(gè)網(wǎng)站的地圖映射。除此之外，爬蟲不會(huì)遺漏擴(kuò)展的鏈接，會(huì)繼續(xù)對(duì)其進(jìn)行跟蹤。

中國(guó)IT產(chǎn)業(yè)在過去5年的時(shí)間里，經(jīng)歷了28%的年增長(zhǎng)速度，比同期的國(guó)家GDP增長(zhǎng)速度的3倍，IT產(chǎn)業(yè)占全國(guó)工業(yè)比重達(dá)到12.3%，占GDP的9.1%，成為第一大產(chǎn)業(yè)。伴隨著行業(yè)的發(fā)展，IT人才的短缺現(xiàn)象將會(huì)越來越嚴(yán)重。據(jù)估計(jì)，目前中國(guó)市場(chǎng)對(duì)IT人才的需求每年超過50萬人。而國(guó)內(nèi)目前的IT教育主要是高等學(xué)校計(jì)算機(jī)、電子、電信、信息技術(shù)等相關(guān)專業(yè)的學(xué)歷教育，每年培養(yǎng)的大學(xué)畢業(yè)生約為5萬，遠(yuǎn)遠(yuǎn)不能滿足市場(chǎng)的需求。

前程無憂網(wǎng)作為國(guó)內(nèi)最大的招聘網(wǎng)站之一，所擁有的信息極其龐大，令人眼花繚亂、無從選擇。在大數(shù)據(jù)的時(shí)代下，Python語言充分的展示出了它的優(yōu)勢(shì)，在科學(xué)計(jì)算、文件處理、數(shù)據(jù)分析等領(lǐng)域越來越凸顯其價(jià)值。使用Python對(duì)前程無憂網(wǎng)IT類招聘信息中的薪資數(shù)據(jù)、職位信息、工作經(jīng)驗(yàn)等信息的搜集，利用Scrapy抓取這些招聘信息并用Pandas對(duì)數(shù)據(jù)進(jìn)行清理，通過對(duì)這些數(shù)據(jù)的分析，可以為IT類求職者推薦求職崗位和就業(yè)城市，讓IT類求職者對(duì)選擇求職崗位和就業(yè)城市有一個(gè)大致的判斷。

2.求職網(wǎng)站面臨的問題

2.1招聘信息魚龍混雜

求職者打開招聘網(wǎng)站會(huì)發(fā)現(xiàn)，求職信息太多以至于不知道如何取舍。比如選擇IT類的職位，應(yīng)該選擇哪個(gè)崗位呢？是JAVA開發(fā)工程師，亦或是前端開發(fā)工程師？選擇崗位無非最關(guān)心的就是薪資待遇，不僅僅是目前的薪資待遇，還有在未來幾年薪資的上升空間。這些東西是招聘網(wǎng)站所不能直接體現(xiàn)的。

2.2崗位需求量

當(dāng)求職者尋找工作時(shí)，往往會(huì)關(guān)心自己在這份工作中到底具有多少競(jìng)爭(zhēng)力，拋開求職者本身的能力，競(jìng)爭(zhēng)力的另一個(gè)體現(xiàn)就是這份工作到底需要多少人，需要的人越多，競(jìng)爭(zhēng)就越小，就越容易找到工作。就招聘網(wǎng)站而言需要數(shù)據(jù)為求職者提供選擇工作的依據(jù)

2.3各城市的同一崗位的比較性

對(duì)于求職者來說，除了薪資的增長(zhǎng)起伏和競(jìng)爭(zhēng)力，還有一個(gè)重要的因素，那就是求職者希望的工作城市，雖然網(wǎng)絡(luò)上總是有報(bào)道說這個(gè)城市收入水平達(dá)到多少，物價(jià)達(dá)到多少。但是，求職者不僅僅關(guān)心收入水平，也希望知道自己選擇的崗位更應(yīng)該去哪個(gè)城市工作。

3 解決方案

3.1 解決思路

獲取到前程無憂網(wǎng)IT類的招聘信息后，針對(duì)IT類畢業(yè)生遇到的求職信息獲取等問題，提供以下解決思路：

（1）薪資增長(zhǎng)情況：將獲取到的招聘信息以城市和崗位為條件分組，計(jì)算每一組在不同工作經(jīng)驗(yàn)的最低薪資和最高薪資的平均水平。

（2）崗位需求量：將獲取到的招聘信息以城市和崗位為條件分組，計(jì)算每一組的崗位需求人數(shù)總和。

（3）同一崗位在不同城市的比較性：將獲取到的招聘信息以城市和崗位為條件分組，然后計(jì)算一個(gè)比較性的期望值，這個(gè)比較性的期望值通過公式“1/工作經(jīng)驗(yàn)?zāi)晗迣?duì)應(yīng)的數(shù)值*平均工資*需求人數(shù)（滿足工資高，需求人數(shù)多，工作經(jīng)驗(yàn)低，推薦指數(shù)越高的原則）”計(jì)算而得。

3.2 數(shù)據(jù)獲取

本文通過基于Python的Scrapy框架編寫爬蟲，編寫爬蟲前先去前程無憂網(wǎng)站分析頁面的url請(qǐng)求序列，方便整理出編寫爬蟲邏輯。然后根據(jù)頁面信息和研究目的設(shè)計(jì)數(shù)據(jù)庫(kù)字段。再根據(jù)數(shù)據(jù)庫(kù)字段，配置item、根據(jù)頁面請(qǐng)求到的數(shù)據(jù)配置Field（）進(jìn)行數(shù)據(jù)存入前處理。接著根據(jù)url請(qǐng)求的序列設(shè)計(jì)不同的回調(diào)函數(shù)，并發(fā)起不同的請(qǐng)求獲取返回item。然后創(chuàng)建Proxy、UserAgent下載器實(shí)現(xiàn)動(dòng)態(tài)瀏覽器頭、隨機(jī)代理ip，失敗后更換ip繼續(xù)請(qǐng)求，提高爬蟲的存活率和數(shù)據(jù)采集完整性。最后使用線程池獲取數(shù)據(jù)庫(kù)連接并保存數(shù)據(jù)到mysql數(shù)據(jù)庫(kù)。以下時(shí)獲取數(shù)據(jù)的關(guān)鍵代碼：

allowed_domains = ['51job.com']

start_urls=[‘https：//search.51job.com/list/030800%252C230300%252C230200%252C070300%252C250200，000000，0000，01%252C37%252C38%252C40%252C32，9，99，%2520，2，1.html']

def parse（self， response）：

post_urls=response.css（"#resultList .el .t1"）.xpath（'.//a/@href'）.extract（）

for post_url in post_urls：

yield Request（url=parse.urljoin（response.url，post_url），callback=self.parse_detail）

next_url = response.css（".dw_page ul li：last-child a：：attr（href）"）.extract_first（''）

if next_url：

yield Request（url=parse.urljoin（response.url， next_url）， callback=self.parse）

def parse_detail（self， response）：

item_loader = TempDataItemLoader（item=TempDataItem（）， response=response）

url = response.url

salary_id = re.match（r'.*/（＼d*）.html'， url， re.I）

item_loader.add_value（'salary_id'， salary_id.group（1））

3.3 數(shù)據(jù)處理

當(dāng)數(shù)據(jù)獲取成功后，就需要把這些數(shù)據(jù)形成直觀的的圖表了，這里使用了Echarts.js插件。Echarts.js這個(gè)開源可視化庫(kù)提供的一系列圖表，為此爬蟲的數(shù)據(jù)展示提供了良好的支持。首先使用Django的ORM查詢數(shù)據(jù)庫(kù)中的數(shù)據(jù)，這里只對(duì)就業(yè)推薦功能做以下說明：

當(dāng)使用Django查詢出數(shù)據(jù)后發(fā)現(xiàn)，Django的ORM對(duì)復(fù)雜查詢與計(jì)算的支持并不好，于是采用了Pandas庫(kù)。

# 將數(shù)據(jù)庫(kù)查出的數(shù)據(jù)轉(zhuǎn)換為Pandas的數(shù)據(jù)格式

df = pandas.DataFrame（list（salary_data））

# 使用pandas提供的函數(shù)對(duì)數(shù)據(jù)進(jìn)行清洗，將將復(fù)雜數(shù)據(jù)替換成數(shù)字。

df = df.replace（{'1年經(jīng)驗(yàn)'： '1'， '2年經(jīng)驗(yàn)'： '2'， '3-4年經(jīng)驗(yàn)'： '3'， '5-7年經(jīng)驗(yàn)'： '4'， '8-9年經(jīng)驗(yàn)'： '5'， '10年以上經(jīng)驗(yàn)'： '6'}）

# 將數(shù)據(jù)以城市分組

grouped = df.groupby（'city__name'）

#遍歷每一個(gè)城市下，求出平均薪資和平均需求人數(shù)

for city__name， group in grouped：

experience_value = 0

for experience， s in group.groupby（'experience'）：

# mean（）函數(shù)用來計(jì)算平均數(shù)（計(jì)算平均薪資 和平均需求人數(shù)）

s = s.mean（）

# 就業(yè)推薦指數(shù)

experience_value += round（1 / int（experience）， 6） *int（s['avg_salary']） * int（s['people_count']）

3.4 處理結(jié)果

首頁會(huì)每過5秒就隨機(jī)更換一個(gè)城市各IT職位的需求人數(shù)以及某城市某一職位不同工作經(jīng)驗(yàn)的薪資增長(zhǎng)情況，如圖1所示。

薪資起伏頁面，展示的是搜索某一城市的某一職位，如蘇州的python職位就會(huì)呈現(xiàn)這個(gè)職位的不同工作經(jīng)驗(yàn)的薪資增長(zhǎng)情況，如圖2所示。

需求人數(shù)頁面，展示了搜索某一職位呈現(xiàn)這個(gè)職位在不同城市的需求人數(shù)以及平均最高薪資和平均最低薪資，如圖3所示。

推薦就業(yè)頁面展示的是搜索某一職位會(huì)出現(xiàn)這一職位在不同城市的推薦指數(shù)。這個(gè)指數(shù)根據(jù)公式：1/工作經(jīng)驗(yàn)?zāi)晗迣?duì)應(yīng)的數(shù)值*平均工資*需求人數(shù)（滿足工資高，需求人數(shù)多，工作經(jīng)驗(yàn)低，推薦指數(shù)越高的原則），如圖4所示。

4 結(jié)語

在大數(shù)據(jù)時(shí)代，數(shù)據(jù)分析往往能得到一些事物的規(guī)律，在大數(shù)據(jù)的分析結(jié)果下，人們往往能依據(jù)其中的某些規(guī)律，為自己的選擇提供一定的參考。通過爬取前程無憂招聘網(wǎng)站的數(shù)據(jù)，分析出IT類行業(yè)的不同職位的一個(gè)招聘狀況，在一定程度上有效為IT類應(yīng)屆畢業(yè)生的就業(yè)選擇提供了直觀的數(shù)據(jù)參考，幫助IT類應(yīng)屆畢業(yè)生選擇自己的工作城市和職位。

參考文獻(xiàn)：

[1]王全勝.Python在校園數(shù)據(jù)分析中的應(yīng)用--以一卡通消費(fèi)為例[J].電腦知識(shí)與技術(shù)，2017（3）1-2.

[2]涂小琴.基于Python爬蟲的電影評(píng)論情感傾向性分析[J].研究與開發(fā)，2017（12）52-54.

[3]魏冬梅，何忠秀，唐建梅.基于Python的Web信息獲取方法研究[J].軟件導(dǎo)刊，2018（1）41-43.

[4]陳智，梁娟.基于Python的微博發(fā)表意向預(yù)測(cè)研究[J].智能處理與應(yīng)用.2018（4）56-59.

[5]熊暢.基于Python爬蟲技術(shù)的網(wǎng)頁數(shù)據(jù)抓取與分析研究[J].數(shù)字技術(shù)與應(yīng)用.2017（2）12-14.

[6]趙麗娜.基于Python爬蟲的借閱數(shù)據(jù)獲取[J].北華航天工業(yè)學(xué)院學(xué)報(bào).2018（8）61-62.

作者簡(jiǎn)介：席一（1979～），男，山東聊城人，重慶第二師范學(xué)院數(shù)學(xué)與信息工程學(xué)院，講師，碩士。

基金項(xiàng)目：重慶第二師范學(xué)院首批輔導(dǎo)員工作精品項(xiàng)目：“三源整合，六室聯(lián)動(dòng)”，探索“互聯(lián)網(wǎng)+”形勢(shì)下高校創(chuàng)新創(chuàng)業(yè)教育模式（項(xiàng)目編號(hào)201604）；2018年重慶市教育委員會(huì)人文社會(huì)科學(xué)研究項(xiàng)目：思想政治教育角度下的大學(xué)生創(chuàng)新創(chuàng)業(yè)教育研究（項(xiàng)目編號(hào)18SKSZ042）。