汇算清缴在哪个网站做,中国可以做交互的网站,开一家做网站公司成本,做微商有什么好的货源网站转眼秋招快到了#xff0c; 今天来学习一下如何用Python采集全网招聘数据#xff0c;并进行可视化分析#xff0c;为就业准备~ 话不多说开始造
源码和详细的视频讲解我都打包好了#xff0c;文末名片自取
准备工作
首先你需要准备这些
环境
Python 3.10 Pycharm
模块…转眼秋招快到了 今天来学习一下如何用Python采集全网招聘数据并进行可视化分析为就业准备~ 话不多说开始造
源码和详细的视频讲解我都打包好了文末名片自取
准备工作
首先你需要准备这些
环境
Python 3.10 Pycharm
模块 DrissionPage - pip install DrissionPage csv
新建一个临时 py 文件并输入以下代码填入您电脑里的 Chrome 浏览器可执行文件路径然后运行。
from DrissionPage import ChromiumOptionspath rD:\Chrome\Chrome.exe # 请改为你电脑内Chrome可执行文件路径
ChromiumOptions().set_browser_path(path).save()爬虫实现的基本流程
一、数据来源分析
1.明确需求
明确采集的网站以及数据内容
网址: https://****/web/geek/job?querypythoncity100010000数据: 职位信息
2.抓包分析
通过浏览器开发者工具分析对应的数据位置
打开开发者工具 F12 / 右键点击检查选择 network (网络) 刷新网页通过关键字搜索找到对应的数据位置 关键字: 需要什么数据就搜什么数据 数据包地址: https://***/wapi/zpgeek/search/joblist.json?scene1querypyth oncity100010000experiencepayTypepartTime°reeindustryscalestagep ositionjobTypesalarymultiBusinessDistrictmultiSubwaypage1pageSize30 二、代码实现步骤
requests基本实现步骤基本步骤分为四步:
1.发送请求: 模拟浏览器对于url地址发送请求 2.获取数据: 获取服务器返回响应数据 3.解析数据: 提取我们需要的数据内容 4.保存数据: 提取的数据保存表格/文本/数据库/json文件中
为什么不选择使用requests去请求获取数据呢?
某些网站数据内容(请求), 存在加密内容-需要JS逆向 比如: 今晚案例boss - cookie 中 zp_stoken 时效性
drissionpage 自动化模块
模拟人的行为操作浏览器
点击 输入 拖拽 获取数据
1.可以直接通过元素面板, 进行元素定位获取相关数据内容
2.可以直接监听数据, 获取响应数据 监听数据-在执行动作之前
注意细节:
a.需要配置浏览器可执行文件路径 b.通过抓包分析找到的数据包链接地址进行的监听, 并且监听数据-在执行动作之前
3.解析数据: 提取我们需要的数据内容 4.保存数据: 提取的数据保存表格/文本/数据库/json文件中
点击下一页按钮:
1.定位按钮元素 2.进行相关操作
dp.ele(‘css:.ui-icon-arrow-right’).click() -dp.ele() 通过元素定位 -css:.ui-icon-arrow-right 使用css语法查找元素 -click() 点击操作
数据可视化
简单使用可视化
# 导入数据处理模块
import pandas as pd
# 导入配置项
from pyecharts import options as opts
# 导入图形
from pyecharts.charts import Pie, Bar, Line
# 导入数据(随机生成数据)
from pyecharts.faker import Faker# 读取csv文件
df pd.read_csv(data.csv)
# print(df.head())
# 获取x轴数据内容
x_city df[城市].value_counts().index.to_list()
# 获取y轴数据内容
y_city df[城市].value_counts().to_list()c (Pie().add(,[list(z)for z in zip(x_city, # x轴数据y_city, # y轴数据)],center[40%, 50%],).set_global_opts(# 设置可视化标题title_optsopts.TitleOpts(titlePython招聘城市分布情况),legend_optsopts.LegendOpts(type_scroll, pos_left80%, orientvertical),).set_series_opts(label_optsopts.LabelOpts(formatter{b}: {c}))# 导出可视化效果: 保存html文件.render(pie_Python招聘城市分布情况.html)
)
# 获取x轴数据内容
x_edu df[学历].value_counts().index.to_list()
# 获取y轴数据内容
y_edu df[学历].value_counts().to_list()
c_bar (Bar().add_xaxis(x_edu).add_yaxis(学历, y_edu, stackstack1).set_series_opts(label_optsopts.LabelOpts(is_showFalse)).set_global_opts(title_optsopts.TitleOpts(titleBar-Python招聘学历要求分布情况)).render(bar_Python招聘学历要求分布情况.html)
)# 获取x轴数据内容
x_exp df[经验].value_counts().index.to_list()
# 获取y轴数据内容
y_exp df[经验].value_counts().to_list()
c_Line (Line().add_xaxis(x_exp).add_yaxis(经验, y_exp, is_connect_nonesTrue).set_global_opts(title_optsopts.TitleOpts(titleLine-Python招聘经验要求分布)).render(line_Python招聘经验要求分布.html)
)效果展示
