Pyhton爬虫实战 - 抓取BOSS直聘职位描述和数据清洗

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。

[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

[2017-12-19更新] 后续把拉勾网的数据也爬到，加了进来

一、抓取详细的职位描述信息

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 Python爬虫框架Scrapy实战 - 抓取BOSS直聘招聘信息中，我们已经拿到招聘信息的大部分信息，里面有个 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。

1.2 详情页分析

详情页如下图所示

在详情页中，比较重要的就是职位描述和工作地址这两个

由于在页面代码中岗位职责和任职要求是在一个 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。

1.3 爬虫用到的库

使用的库有

requests
BeautifulSoup4
pymongo

对应的安装文档依次如下，就不细说了

1.4 Python 代码

"""

@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",

    '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",

    'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",

    'dnt': "1",

    'accept-encoding': "gzip, deflate",

    'accept-language': "zh-CN,zh;q=0.8,en;q=0.6",

    '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",

    'cache-control': "no-cache",

    '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[0].text.strip()  # 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

def 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。

1.5 再啰嗦几句

在上一篇文章中只是爬了 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

"time" : "发布于03月31日",

"time" : "发布于昨天",

"time" : "发布于11:31",

这里拿到的都是这种格式的，所以简单处理下

import datetime

from pymongo import MongoClient

db = MongoClient('127.0.0.1', 27017).iApp

def update(data):

    return db.jobs_php.update_one({"_id": data['_id']}, {"$set": data})

# 把时间校正过来

def clear_time():

    items = db.jobs_php.find({})

    for item in items:

        if not item['time'].find('布于'):

            continue

        item['time'] = item['time'].replace("发布于", "2017-")

        item['time'] = item['time'].replace("月", "-")

        item['time'] = item['time'].replace("日", "")

        if item['time'].find("昨天") > 0:

            item['time'] = str(datetime.date.today() - datetime.timedelta(days=1))

        elif item['time'].find(":") > 0:

            item['time'] = str(datetime.date.today())

        update(item)

    print('ok')

2.2 校正薪水以数字保存

"salary" : "5K-12K",

#处理成下面的格式

"salary" : {

    "low" : 5000,

    "high" : 12000,

    "avg" : 8500.0

},

# 薪水处理成数字，符合 xk-yk 的数据处理，不符合的跳过

def clear_salary():

    items = db.jobs_lagou_php.find({})

    for item in items:

        if type(item['salary']) == type({}):

            continue

        salary_list = item['salary'].lower().replace("k", "000").split("-")

        if len(salary_list) != 2:

            print(salary_list)

            continue

        try:

            salary_list = [int(x) for x in salary_list]

        except:

            print(salary_list)

            continue

        item['salary'] = {

            'low': salary_list[0],

            'high': salary_list[1],

            'avg': (salary_list[0] + salary_list[1]) / 2

        }

        update(item)

    print('ok')

[2017-12-19更新] 这里在处理 Boss 直聘的数据时，比较简单正常，但是后续抓到拉勾网的数据，拉勾网的数据有些不太规范。比如有‘20k以上’这种描述

2.3 根据工作经验年限划分招聘等级

# 校正拉勾网工作年限描述，以 Boss直聘描述为准

def update_lagou_workyear():

    items = db.jobs_lagou_php.find({})

    for item in items:

        if item['workYear'] == '应届毕业生':

            item['workYear'] = '应届生'

        elif item['workYear'] == '1年以下':

            item['workYear'] = '1年以内'

        elif item['workYear'] == '不限':

            item['workYear'] = '经验不限'

        update_lagou(item)

    print('ok')

# 设置招聘的水平，分两次执行

def set_level():

    items = db.jobs_zhipin_php.find({})

    # items = db.jobs_lagou_php.find({})

    for item in items:

        if item['workYear'] == '应届生':

            item['level'] = 1

        elif item['workYear'] == '1年以内':

            item['level'] = 2

        elif item['workYear'] == '1-3年':

            item['level'] = 3

        elif item['workYear'] == '3-5年':

            item['level'] = 4

        elif item['workYear'] == '5-10年':

            item['level'] = 5

        elif item['workYear'] == '10年以上':

            item['level'] = 6

        elif item['workYear'] == '经验不限':

            item['level'] = 10

        update(item)

    print('ok')

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

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

[2017-12-19更新] 拉勾网的职位描述和 Boss直聘稍有不同，需要先校正，然后再设置等级

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['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

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脏数据了。

再举个栗子

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。

2.5 缺失值分析 `[2017-12-19]更新`

Boss直聘这里有部分招聘没有industryField、financeStage和companySize值，这个可以看前一篇的爬虫代码，拉勾网的数据基本没问题。

2.6 异常值分析 `[2017-12-19] 更新`

岗位要求工作年限和职位描述里的要求不一致，比如岗位列表里要求的是1年以内,但是职位描述里却是2年以上工作经验，这是由于 HR 填写不规范引起的误差。
由第1点引起的另一个问题，就是与工作年限要求不对应的薪水，使计算的平均薪水偏高。比如一条记录，年限要求是一年以内，所以等级为2，但是薪水却是20k-30k，实际上这是等级为3的薪水，这里就得校正 level 字段，目前只是手动的把几个较高的记录手动改了，都校正过来很困难，得文本分析招聘要求。

2.7 失效值排除 `[2017-12-19] 更新`

首先这里需要一个判断某条招聘是否还挂在网站上的方法，这个暂时想到了还没弄

然后对于发布时间在两个月之前的数据，就不进行统计计算

ok ，现在我们的数据基本成这样了

{

    "_id" : ObjectId("5a30ad2068504386f47d9a4b"),

    "city" : "苏州",

    "companyShortName" : "蓝海彤翔",

    "companySize" : "100-499人",

    "education" : "本科",

    "financeStage" : "B轮",

    "industryField" : "互联网",

    "level" : 3,

    "pid" : "11889834",

    "positionLables" : [

        "PHP",

        "ThinkPHP"

    ],

    "positionName" : "php研发工程师",

    "salary" : {

        "avg" : 7500.0,

        "low" : 7000,

        "high" : 8000

    },

    "time" : "2017-06-06",

    "updated_at" : "2017-12-13 18:31:15",

    "workYear" : "1-3年",

    "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。",

    "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，至少要抓几个月的数据才算可靠吧。

然后准备再去抓下拉勾网的招聘数据，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，都可以评论一下，多交流交流嘛。

后续会公开所有数据，大家自己可以自己分析分析。

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。

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》