整个爬虫是基于selenium和Python来运行的,运行需要的包

mysql,matplotlib,selenium

需要安装selenium火狐浏览器驱动,百度的搜寻。

整个爬虫是模块化组织的,不同功能的函数和类放在不同文件中,最后将需要配置的常量放在constant.py中

项目地址:github(点击直达)

整个爬虫的主线程是Main.py文件,在设置好constant.py后就可以直接运行Main.py

从主线分析

Main.py

 # /bin/python
# author:leozhao
# author@email: dhzzy88@.com """
这是整个爬虫系统的主程序
"""
import numpy as np import dataFactory
import plotpy
import sqlDeal
import zhilian
from Constant import JOB_KEY #
# 启动爬虫程序
zhilian.spidefmain(JOB_KEY) """
爬取数据结束后对数据可视化处理
"""
# 从数据库读取爬取的数据
# 先得到的是元组name,salray,demand,welfare value = sqlDeal.sqlselect()
# 工资上限,下限,平均值
updata = np.array([], dtype=np.int)
downdata = np.array([], dtype=np.int)
average = np.array([], dtype=np.int)
for item in value:
salray = dataFactory.SarayToInt(item[])
salray.slove()
updata = np.append(updata, salray.up)
downdata = np.append(downdata, salray.down)
average = np.append(average, (salray.up + salray.down) / ) # 工资上下限
average.sort() # 匹配城市信息 暂时还未实现 # 统计信息
# 两种图形都加载出来 方便查看
plotpy.plotl(average)
plotpy.plots(average) print(average, average.sum())
print("平均工资:", average.sum() / len(average))
print("最高:", average.max())
print("最低", average.min())
print("职位数", len(average)) # 画图

基本是以爬虫整个执行流程来组织的

从功能文件中导入zhilian.py

 # /bin/python
# author:leo
# author@email : dhzzy88@163.com
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait import sqlDeal
from Constant import PAGE_NUMBER def init(key="JAVA"):
# 智联招聘的主页搜索关键字,初始化到采集页面
url = "https://www.zhaopin.com/"
opt = webdriver.FirefoxOptions()
opt.set_headless() #设置无头浏览器模式
driver = webdriver.Firefox(options=opt)
driver.get(url)
driver.find_element_by_class_name("zp-search-input").send_keys(key)
# driver.find_element_by_class_name(".zp-search-btn zp-blue-button").click()
driver.find_element_by_class_name("zp-search-input").send_keys(Keys.ENTER)
import time
time.sleep(2)
all = driver.window_handles
driver.switch_to_window(all[1])
url = driver.current_url
return url class ZhiLian: def __init__(self, key='JAVA'):
# 默认key:JAVA
indexurl = init(key)
self.url = indexurl
self.opt = webdriver.FirefoxOptions()
self.opt.set_headless()
self.driver = webdriver.Firefox(options=self.opt)
self.driver.get(self.url) def job_info(self): # 提取工作信息 可以把详情页面加载出来
job_names = self.driver.find_elements_by_class_name("job_title")
job_sarays = self.driver.find_elements_by_class_name("job_saray")
job_demands = self.driver.find_elements_by_class_name("job_demand")
job_welfares = self.driver.find_elements_by_class_name("job_welfare")
for job_name, job_saray, job_demand, job_welfare in zip(job_names, job_sarays, job_demands, job_welfares):
sqlDeal.sqldeal(str(job_name.text), str(job_saray.text), str(job_demand.text), str(job_welfare.text)) # 等待页面加载
print("等待页面加载")
WebDriverWait(self.driver, 10, ).until(
EC.presence_of_element_located((By.CLASS_NAME, "job_title"))
) def page_next(self):
try:
self.driver.find_elements_by_class_name("btn btn-pager").click()
except:
return None
self.url = self.driver.current_url
return self.driver.current_url def spidefmain(key="JAVA"):
ZHi = ZhiLian(key)
ZHi.job_info()
# 设定一个爬取的页数
page_count = 0
while True:
ZHi.job_info()
ZHi.job_info()
page_count += 1
if page_count == PAGE_NUMBER:
break
# 采集结束后把对象清除
del ZHi if __name__ == '__main__':
spidefmain("python")

这是调用selenium模拟浏览器加载动态页面的程序,整个爬虫的核心都是围绕这个文件来进行的。

每爬取一页信息以后就把解析的数据存储到数据库里,数据库处理函数的定义放在另外一个文件里,这里只处理加载和提取信息的逻辑

将数据存入本机的mysql数据库

 # /bin/python
# author:leozhao
# author@email :dhzzy88@163.com import mysql.connector from Constant import SELECT
from Constant import SQL_USER
from Constant import database
from Constant import password def sqldeal(job_name, job_salray, job_demand, job_welfare):
conn = mysql.connector.connect(user=SQL_USER, password=password, database=database, use_unicode=True)
cursor = conn.cursor()
infostring = "insert into zhilian value('%s','%s','%s','%s')" % (
job_name, job_salray, job_demand, job_welfare) + ";"
cursor.execute(infostring)
conn.commit()
conn.close() def sqlselect():
conn = mysql.connector.connect(user=SQL_USER, password=password, database=database, use_unicode=True)
print("连接数据库读取信息")
cursor = conn.cursor() cursor.execute(SELECT)
values = cursor.fetchall()
conn.commit()
conn.close()
return values

两个函数

第一个负责存入数据

第二个负责读取数据

读取数据以后在另外的类中处理得到的数据

例如10K-20K这样的信息,为可视化做准备

# /bin/python
# author:leozhao
# author@email : dhzzy88@163.com import matplotlib.pyplot as plt
import numpy as np from Constant import JOB_KEY # 线型图 def plotl(dta):
dta.sort()
print("dta", [dta])
num = len(dta)
x = np.linspace(0, num - 1, num)
print([int(da) for da in dta])
print(len(dta))
plt.figure()
line = plt.plot(x, [sum(dta) / num for i in range(num)], dta) # plt.xlim(0, 250)
plt.title(JOB_KEY + 'Job_Info')
plt.xlabel(JOB_KEY + 'Job_Salray')
plt.ylabel('JobNumbers')
plt.show() # 条形图 def plots(dta):
fig = plt.figure()
ax = fig.add_subplot(111)
ax.hist(dta, bins=15)
plt.title(JOB_KEY + 'Job_Info')
plt.xlabel(JOB_KEY + 'Job_Salray')
plt.ylabel('JobNumbers')
plt.show()

最后将得到的数据放入在画图程序中画图

最后计算相关数据

在爬取过程中及时将数据存入数据库,减少虚拟机内存的占比。

下面放上数据结果

上面是金融的工作的薪酬调查

下面是材料科学的薪酬调查

蓝色为平均工资。

注意在平均线以上的基本为博士和硕士的学历要求。

具体的数据处理没时间弄,有时间再做。

最新文章

  1. 轻量级表达式树解析框架Faller
  2. PHP WAMP 文件上传 及 简单的上传预览
  3. 转:struts标签之select详解
  4. 【log】log4j
  5. 无法解决 equal to 运算中 "Chinese_PRC_CI_AS" 和 "SQL_Latin1_General_CP1_CI_AS" 之间的排序规则冲突。
  6. 第一个UI脚本--python+selenium
  7. POJ_2739_Sum_of_Consecutive_Prime_Numbers_(尺取法+素数表)
  8. [转载]HDFS的'Block'和MapReduce的'Split'之间的关系和区别
  9. 文件下载-SpringMVC中測试
  10. Spark入门级小玩
  11. JS 冒泡排序从学到优化
  12. 外部世界如何访问容器? - 每天5分钟玩转 Docker 容器技术(37)
  13. iOS isa指针
  14. 移动通信最先进的音频编解码器EVS及用好要做的工作
  15. spring 框架的优点
  16. C++箴言:理解typename的两个含义 nested dependent name(嵌套依赖名字)
  17. 内存溢出导致jenkins自动部署到tomcat失败
  18. android分辨率适配
  19. {Reship}{Sparse Representation}稀疏表示
  20. laravel 中事务的使用

热门文章

  1. Informatica PowerCenter下载地址
  2. 从excel、txt、dict中取data,预期值
  3. python's ninth day for me
  4. List<T>集合使用总结
  5. MATLAB和C语言混合编程-----Matlab7.0 编译器设置
  6. 机器学习工具Octave安装(Win10环境)
  7. HDR
  8. Nginx静态网站的部署
  9. Express的路由详解
  10. 回车换行0x0D和0x0A 小谈