怎么用Python爬取分析拉勾网职位数据

数据中蕴藏着大量的价值等待挖掘，这是当前大家都承认的事实。

然而对于我们个人，怎样利用这一点给自己创造价值呢？

挡在这面前的第一点，就是得有数据。

对个人来说，爬虫是获取数据的非常遍历的方式，得到数据之后，我们可以进行一些数据分析、统计，然后用于指导我们的学习、工作、副业的方向。

比如你想找一份Python相关的工作，那么可以爬取Python职位列表，然后进行统计分析，比如可以得到如下信息：

1. 招聘Python职位的这些公司，所处的行业领域、公司规模、融资阶段、学历要求、工作经验都有哪些？
2. 招聘Python职位的薪资分布是怎么样的？和其他职位的薪资分布有哪些区别？
3. Python职位本身的职位要求，关注哪些关键字，或者说哪些技能要求？

当然职位关键字不只是Python，可以是Java、大数据、推荐算法等等，都可以进行数据挖掘，用于指导自己对职位的宏观把控、学习和努力的方向。

本文介绍怎么爬取北京Python职位的概要信息和简单的数据分析。

确认待爬取的目标

本次待爬取的目标为拉勾网>北京站>Python职位：

首先进入拉勾首页，切换到北京站，输入python搜索：

 

本次的目标就是爬取职位列表的概要信息：

 

分析爬取方法

点击页面下方的分页按钮，发现URL并没有变化，一直是https://www.lagou.com/jobs/list_python/p-city_2?&cl=false&fromSearch=true&labelWords=&suginput=

 

打开查看元素，发现页面的数据来自一个ajax请求，返回的是json

 

而这个请求，是一个POST请求：

 

经过尝试，直接请求该json的Url是可以取到数据的，然而拉勾做了很强的反爬措施，需要有几点注意：

1. 要请求这个json，需要附带cookie，这个cookie可以通过先请求一下列表页得到；
2. 每次请求后，可以sleep几秒钟，防止被禁IP

代码实现

1. 设置用于获取cookie的url和提交post的Url，以及从浏览器复制headers

 

2. 进行列表页的爬取

 

3. 提取职位信息 这是一个JSON，提取方式类似访问Python的字典

 

4. 查看结果数据

 

数据分析

使用pandas加载数据

 

融资阶段分布

 

需要Python职位多的公司：不需要融资、上市公司、A轮 需要Python职位少的公司：天使轮、C轮、D轮以上

公司规模的分布

 

50~150人的公司，需要Python职位的最多~其次是2000人以上的大公司

薪资的分布

因为薪资是个区间，处理成只查看区间低薪作为参考值：

 

最多分布在15K、20K的职位；

融资阶段与薪资的关系

使用seaborn更方便

 

最穷的是天使轮、C轮的公司，不服来辩。