Python用数据说明程序员需要掌握的技能

谁践踏了优雅 2022-05-22 23:58 226阅读 0赞

\----------欢迎加入学习交流QQ群：657341423

--------------------

当下是一个大数据的时代，各个行业都离不开数据的支持。因此，网络爬虫就应运而生。网络爬虫当下最为火热的是Python，Python开发爬虫相对简单，而且功能库相当完善，力压众多开发语言。  
本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页，按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息，通过分析请求信息可以了解请求参数、请求方式和响应内容。如图所示：  
![这里写图片描述][70]  
从图上可以看到，我们将搜索关键字添加设置python，搜索地区设为广州。浏览器的地址为：

https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=

由请求链接的格式分析可知，该请求为GET请求，并且带有多个请求参数。为了简化请求参数，我们在浏览器上依次删除请求参数并访问删除后的请求链接，对比删除之前与删除之后的网页变化。最后请求链接的优化如下：

https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html

从优化后的请求链接可以看到，搜索关键字和搜索区域是隐藏在请求链接的某个位置中。搜索关键字的位置是直观可以看到的，而搜索区域需要进行分析。我们将区域改为上海，其请求链接如下：

https://search.51job.com/list/020000,000000,0000,00,9,99,python,2,1.html

通过对比发现，搜索区域030200代表广州，020000代表上海。那么问题来了，如果我要切换其他城市，那怎样获取该城市的编号？  
针对这个问题，首先从上述的编号分析其特性，发现编号不存规律性，那么应该是由网站自行定义的。因此可以在浏览器的开发者工具下查找相关的请求信息，最后在js下查到以下信息，如图所示：  
![这里写图片描述][70 1]

现在确定了搜索关键字和搜索区域后，我们还需要确定页数，因为搜索出来的结果肯定是进行分页处理。以搜索关键字为python，搜索地区为广州，点击第二页，其请求链接如下：

# 第一页
    https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,1.html
    # 第二页
    https://search.51job.com/list/030200,000000,0000,00,9,99,python,2,2.html

对比发现，我们可确定页数的位置，最终，请求链接的地址修改如下：

# 变量cityCode是城市编号
    # 变量keyWord是搜索关键词
    # 变量pageNum是搜索页数
    'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+pageNum+'.html'

确定请求链接后，我们在分析该请求的响应内容，从响应内容中获取所需的数据内容，如图所示：  
![这里写图片描述][70 2]  
从图上可知，我们需要爬取职位的岗位要求和任职要求的数据，因此在当前页面中，我们需要获取职位的URL地址。

根据上述分析，功能代码如下：

import requests
    from bs4 import BeautifulSoup
    # 函数参数分别为城市编号、关键词和循环的页数
    def get_url(cityCode, keyWord, pageNum):
        headers = {
                'Host':'search.51job.com',
                'Upgrade-Insecure-Requests': '1',
                'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
            }
        temp_list = []
        for i in range(int(pageNum)):
            url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
            r = requests.get(url, headers=headers)
            soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
            find_div = soup.find_all('div',class_='el')
            # 获取职位的URL
            for j in find_div:
                find_href = j.find('a')
                if 'https://jobs.51job.com' in str(find_href):
                    temp_list.append(find_href['href'])
        return temp_list

得到职位的URL之后，接下来分析职位的信息页面。在职位信息页，分别获取职位信息和任职要求，网页分析如图所示：  
![这里写图片描述][70 3]  
图上的响应内容中，职位信息是在HTML的div标签，属性class为bmsg job\_msg inbox，并且属性值是唯一的，因此可以通过该标签进行定位获取数据。其代码功能如下：

# 获取职位信息
    def get_data(job_url):
        headers = {
            'Host': 'jobs.51job.com',
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
        }
        # 遍历职位url列表，获取每个职位的职位信息
        for url in job_url:
            r = requests.get(url, headers=headers)
            soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
            find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
            temp_list = []
            # 获取职位信息
            for k in find_job:
                # 简单的数据清洗
                if not '：' in str(k) and not ':' in str(k) and k.getText():
                    if '、' in k.getText():
                        text = k.getText().split('、')[1].strip()
                    else:
                        text = k.getText().strip()
                    temp_list.append(text)
            # 将数据写入CSV文件
            if ''.join(temp_list).strip():
                f = open('text.csv', 'a', newline='', encoding='utf-8')
                writer = csv.writer(f)
                writer.writerow([''.join(temp_list)])
                f.close()

我们将两个函数get\_url和get\_data写在spider.py文件，代码如下：

import requests
    from bs4 import BeautifulSoup
    import csv
    # 函数参数分别为城市编号、关键词和循环的页数
    def get_url(cityCode, keyWord, pageNum):
        headers = {
                'Host':'search.51job.com',
                'Upgrade-Insecure-Requests': '1',
                'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
            }
        temp_list = []
        for i in range(int(pageNum)):
            url = 'https://search.51job.com/list/'+cityCode+',000000,0000,00,9,99,'+keyWord+',2,'+str(i+1)+'.html'
            r = requests.get(url, headers=headers)
            soup = BeautifulSoup(r.content.decode('gbk'),'html5lib')
            find_div = soup.find_all('div',class_='el')
            # 获取职位的URL
            for j in find_div:
                find_href = j.find('a')
                if 'https://jobs.51job.com' in str(find_href):
                    temp_list.append(find_href['href'])
        return temp_list
    
    # 获取职位信息
    def get_data(job_url):
        headers = {
            'Host': 'jobs.51job.com',
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
        }
        # 遍历职位url列表，获取每个职位的职位信息
        for url in job_url:
            r = requests.get(url, headers=headers)
            soup = BeautifulSoup(r.content.decode('gbk'), 'html5lib')
            find_job = soup.find('div', class_='bmsg job_msg inbox').find_all('p')
            temp_list = []
            # 获取职位信息
            for k in find_job:
                # 简单的数据清洗
                if not '：' in str(k) and not ':' in str(k) and k.getText():
                    if '、' in k.getText():
                        text = k.getText().split('、')[1].strip()
                    else:
                        text = k.getText().strip()
                    temp_list.append(text)
            # 将数据写入CSV文件
            if ''.join(temp_list).strip():
                f = open('text.csv', 'a', newline='', encoding='utf-8')
                writer = csv.writer(f)
                writer.writerow([''.join(temp_list)])
                f.close()
    
    if __name__ == '__main__':
        cityCode = '030200'
        keyWord = 'python'
        pageNum = 2
        job_url = get_url(cityCode, keyWord, pageNum)
        get_data(job_url)

本例子只获取关键字为python，搜索区域为广州，页数为两页的职位信息。（如果读者想爬取多地方多关键词的职位信息，可自行修改）。代码运行后，在文件spider.py同一目录下自动生成text.csv文件，文件内容如下：  
![这里写图片描述][70 4]

--------------------

现在有了职位信息的数据后，下一步是对这些数据进行分析。数据分析我们采用人工智能的自然语言处理，根据提供的关键词来计算相关词列表。首先对数据进行分词处理，将数据划分为词语。中文分词建议使用jieba模块，分词的效果相当较高，在分词之前，还需要对数据进行清洗，清洗数据中一些标点符号，如下所示：

import csv,re
    import jieba
    # 数据清洗并分词
    csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
    seg_list = []
    for row in csv_reader:
        temp_list = jieba.cut(row[0], cut_all=False)
        results = re.sub('[（）：:？“”；．～?/《》【】，,。！()·、.\d ]+', ' ', ' '.join(temp_list))
        seg_list.append(results)
    # 将分词写入文件
    f = open('data.txt','w',encoding='utf-8')
    f.write(' '.join(seg_list))
    f.close()

数据清洗完毕会自动保存在文件data.txt，打开data.txt查看数据内容，如图所示：  
![这里写图片描述][70 5]

数据清洗完成后，最后一步就是建模，我们使用gensim模块实现，由word2vec函数方法实现建模，其功能代码如下：

# 通过word2vec计算相关词列表
    from gensim import models
    # 建模
    sentences = models.word2vec.LineSentence('data.txt')
    model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
    # 计算前50个与python相关的词列表
    sim = model.wv.most_similar('python', topn=50)
    for s in sim:
        print("word:%s,similar:%s " %(s[0],s[1]))

[我们将上述的代码写在analysis.py][analysis.py]，文件analysis.py的代码如下：

import csv,re
    import jieba
    from gensim import models
    # 数据清洗并分词
    csv_reader=csv.reader(open('text.csv',encoding='utf-8'))
    seg_list = []
    for row in csv_reader:
        temp_list = jieba.cut(row[0], cut_all=False)
        results = re.sub('[（）：:？“”；．～?/《》【】，,。！()·、.\d ]+', ' ', ' '.join(temp_list))
        seg_list.append(results)
    # 将分词写入文件
    f = open('data.txt','w',encoding='utf-8')
    f.write(' '.join(seg_list))
    f.close()
    
    # 通过word2vec计算相关词列表
    # 建模
    sentences = models.word2vec.LineSentence('data.txt')
    model = models.word2vec.Word2Vec(sentences, size=1000, window=25, min_count=5, workers=4)
    # 计算前50个与python相关的词列表
    sim = model.wv.most_similar('python', topn=50)
    for s in sim:
        print("word:%s,similar:%s " %(s[0],s[1]))

[运行analysis.py][analysis.py 1]，输出结果如图所示：  
![这里写图片描述][70 6]![这里写图片描述][70 7]  
从结果可以看到，要作为一名合格的Python程序员，首先主要掌握Django和scrapy两大框架，selenium是自动化测试技术；数据库以MySql数据库为主，掌握sql语句不在话下；掌握memcached缓存系统，linux操作，计算机TCP协议；最后还要涉猎Java，C和Nodejs等一些目前主流开发语言等。

[70]: /images/20220523/f09f74286e0f46f4947d02f45631e333.png
[70 1]: /images/20220523/cc7c73a970d54f1c87c28edaa2980a8a.png
[70 2]: /images/20220523/fff1aa39309f4f44bfabcbaa2a4252a8.png
[70 3]: /images/20220523/67a6fee2b19f4fc2ae8543115a553cdb.png
[70 4]: /images/20220523/7891806d5e7645899c3ff939a8ce4497.png
[70 5]: /images/20220523/a8849b5b277f4bc1ac3aebf85ffdcb80.png
[analysis.py]: http://xn--analysis-k39l53e1cw42btptk7p7lviz8edkf7z9j.py
[analysis.py 1]: http://xn--analysis-lo9wy36c.py
[70 6]: https://img-blog.csdn.net/20180529160502116?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0h1YW5nWmhhbmdfMTIz/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 7]: /images/20220523/f45f379610f14fb493bad72dea4d2805.png