Python爬虫大作业+数据可视化分析（抓取python职位）

时间2024-07-30 07:14:02发布ongwu分类云计算浏览51

文章目录一、获取数据 1.导入相关库2、获取网页信息3.数据清洗4.爬取结果：二、保存数据 1.保存到excel中2.保存到数据库中3.调用三、使用flask，实现可视化 1.主函数2.可视化界面： 2.1职位信息展示+分页2.2使用echars制作图标2.3导入地图2.4制作词云

一、获取数据

运用正则表达式，找到相对应的数据，然后对数据进行清洗，最后保存数据，保存为excel文件和保存到数据库中。（这里用的是sqlite数据库）

1.导入相关库 import re # 正则表达式，进行文字匹配 from urllib.request import Request from urllib.request import urlopen # 制定URL，获取网页数据 from urllib.error import URLError as error import json import xlwt import sqlite3 12345678 2、获取网页信息

爬取到的信息是很多，需要用正则表达式进行匹配，一个工作岗位有：8个属性，我只爬取职位名称、公司名称、公司链接、工资、工作地点、是否是实习、员工待遇。

def main(): baseurl = "https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,{}.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=" # 1.爬取网页 datalist = getData(baseurl) savepath = "51job.xls" jobpath = "newjob.db" # 保存数据到表格 saveData(datalist, savepath) # 保存数据到数据库 saveData2DB(datalist, jobpath) # 爬取网页 def getData(baseurl): datalist = [] for page in range(0, 30): url1 = baseurl.format(page + 1) html = askURL(url1) # 保存获取到的网页源码 # 2.逐一解析数据 html_data = re.findall(window.__SEARCH_RESULT__ =(.*?)</scrIPt>, html, re.S) html_data = .join(html_data) infodict = json.loads(html_data) # 将str类型的数据转换为dict类型 engine_jds = infodict[engine_jds] for item in engine_jds: data = [] job_href = item["job_href"] # 工作链接 name = item[job_name] temp1 = re.sub(\t, , name) # 去掉括号中的内容，英文的括号要加反斜杠 temp2 = re.sub(\(.*?\), , temp1) # 去掉括号中的内容，中文括号 job_name = re.sub(（.*?）, , temp2) job_company = item[company_name] job_salary1 = item[providesalary_text] if job_salary1: job_salary = get_avgsalary(job_salary1) else: job_salary = "" area = item["workarea_text"] # 工作地点 newarea = re.findall((.*?)-, area, re.S) job_area = .join(newarea) demand = item[attribute_text][1:] job_requirements = .join(demand) if job_requirements.find( ) != -1: job_experience, job_education = job_requirements.split( ) else: job_experience = job_requirements job_fuli = item[jobwelf] if item[jobwelf] else 无 if job_salary == "" or job_area == "" or job_education == "": continue else: data.append(job_href) data.append(job_name) data.append(job_company) data.append(job_salary) data.append(job_area) # data.append(job_requirements) data.append(job_experience) data.append(job_education) data.append(job_fuli) datalist.append(data) # print(datalist) return datalist

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465 3.数据清洗

主要对薪资进行清洗，统一以万/月为单位，并取区间平均值。

# 对薪资进行数据清洗 def get_avgsalary(salary): global avg_salary if - in salary: # 针对10-20千/月或者10-20万/年的情况，包含- low_salary = re.findall(re.compile((\d*\.?\d+)), salary)[0] high_salary = re.findall(re.compile((\d?\.?\d+)), salary)[1] avg_salary = (float(low_salary) + float(high_salary)) / 2 avg_salary = (%.2f % avg_salary) if u万 in salary and u年 in salary: # 单位统一成万/月的形式 avg_salary = float(avg_salary) / 12 avg_salary = (%.2f % avg_salary) # 保留两位小数 elif u千 in salary and u月 in salary: avg_salary = float(avg_salary) / 10 else: # 针对20万以上/年和100元/天这种情况，不包含-，取最低工资，没有最高工资 avg_salary = re.findall(re.compile((\d*\.?\d+)), salary)[0] if u万 in salary and u年 in salary: # 单位统一成万/月的形式 avg_salary = float(avg_salary) / 12 avg_salary = (%.2f % avg_salary) elif u千 in salary and u月 in salary: avg_salary = float(avg_salary) / 10 elif u元 in salary and u天 in salary: avg_salary = float(avg_salary) / 10000 * 21 # 每月工作日21天 avg_salary = str(avg_salary) + 万/月 # 统一薪资格式 return avg_salary

123456789101112131415161718192021222324252627 4.爬取结果：

二、保存数据

1.保存到excel中 def saveData(datalist, savepath): print("sava....") book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建work对象 sheet = book.add_sheet(python, cell_overwrite_ok=True) # 创建工作表 col = ("工作链接", "工作名称", "公司", "薪资", "工作地区", "工作经验", "学历", "员工福利") for i in range(0, 8): sheet.write(0, i, col[i]) # 列名 for i in range(0, 1000): # print("第%d条" %(i+1)) data = datalist[i] for j in range(0, 8): sheet.write(i + 1, j, data[j]) # 数据 book.save(savepath) # 保存数据 123456789101112131415

结果显示：

2.保存到数据库中 # 创建数据表（表名为newjob） def init_job(jobpath): sql = create table newjob ( id integer primary key autoincrement, job_href text, job_name varchar, job_company varchar, job_salary text , job_area varchar , job_experience text, job_education text, job_fuli text ) conn = sqlite3.connect(jobpath) cursor = conn.cursor() cursor.execute(sql) conn.commit() conn.close() #将数据保存到数据库中 def saveData2DB(datalist, jobpath): init_job(jobpath) conn = sqlite3.connect(jobpath) cur = conn.cursor() for data in datalist: for index in range(len(data)): data[index] = " + str(data[index]) + " sql = insert into newjob ( job_href,job_name,job_company,job_salary,job_area,job_experience,job_education,job_fuli) values(%s) % ",".join(data) # print(sql) cur.execute(sql) conn.commit() cur.close() conn.close()

123456789101112131415161718192021222324252627282930313233343536373839404142

3.调用

在main函数中

# 保存数据到表格 saveData(datalist, savepath) # 保存数据到数据库 saveData2DB(datalist, jobpath) 12345

三、使用flask，实现可视化

1.主函数

实现绘图、分词、连接数据库导入数据、制作词语等

import jieba # 分词作用 from matplotlib import pyplot as plt # 绘图作用，数据可视化 from wordcloud import WordCloud # 词云 from PIL import Image # 图片处理 import numpy as np # 矩阵运算 import sqlite3 # 数据库 # 准备词云所需要的词 con = sqlite3.connect("newjob.db") cur = con.cursor() sql = "select job_name from newjob" data = cur.execute(sql) test = "" for item in data: test = test + item[0] # print(test) cur.close() con.close() # 分词 cut = jieba.cut(test) string = " ".join(cut) print(len(string)) img = Image.open(rstatic\assets\img\demo.png) # 打开图片 img_array = np.array(img) # 将图片转化为二维数组 wc = WordCloud( background_color="white", mask=img_array, font_path="msyh.ttc" # 字体所在位置 c:\windows\fonts ) wc.generate_from_text(string) # 绘制图片 fIP = plt.figure(1) plt.imshow(wc) plt.axis("off") # 是否显示坐标轴 # plt.show() #显示生成的词云图片 #输出词云图片到文件 plt.savefig(rstatic\assets\img\demo1.jpg)

12345678910111213141516171819202122232425262728293031323334353637383940414243 2.可视化界面： 2.1职位信息展示+分页

2.2使用echars制作图标

2.3导入地图

2.4制作词云 import jieba # 分词作用 from matplotlib import pyplot as plt # 绘图作用，数据可视化 from wordcloud import WordCloud # 词云 from PIL import Image # 图片处理 import numpy as np # 矩阵运算 import sqlite3 # 数据库 # 准备词云所需要的词 con = sqlite3.connect("newjob.db") cur = con.cursor() sql = "select job_name from newjob" data = cur.execute(sql) test = "" for item in data: test = test + item[0] # print(test) cur.close() con.close() # 分词 cut = jieba.cut(test) string = " ".join(cut) print(len(string)) img = Image.open(rstatic\assets\img\demo.png) # 打开图片 img_array = np.array(img) # 将图片转化为二维数组 wc = WordCloud( background_color="white", mask=img_array, font_path="msyh.ttc" # 字体所在位置 c:\windows\fonts ) wc.generate_from_text(string) # 绘制图片 fIP = plt.figure(1) plt.imshow(wc) plt.axis("off") # 是否显示坐标轴 # plt.show() #显示生成的词云图片 #输出词云图片到文件 plt.savefig(rstatic\assets\img\demo1.jpg)

123456789101112131415161718192021222324252627282930313233343536373839404142