Python爬虫实战-数据可视化

本文您将
学到的东西包括：

scrapy爬虫的设置

• requests（一个用来发送HTTP请求的简单库）
• BeautifulSoup（一个从HTML和XML中解析数据的库）

MongoDB的用法

• MongoBooster可视化工具
  注意：很多人学Python过程中会遇到各种烦恼问题，没有人帮答疑容易放弃。为此小编建了个Python全栈免费答疑.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有最新Python教程项目可拿,，一起相互监督共同进步！

Pyecharts可视化工具

re正则表达式库

• 贪婪模式
• 懒惰模式

系列文章
python爬虫实战(1) -- 抓取boss直聘招聘信息
python爬虫实战(2) -- MongoDB和数据清洗
python爬虫实战(3) -- 数据可视化

实验内容：使用pyecharts将之前爬取的数据通过图形化显示出来

参考：https://segmentfault.com/a/1190000012429530

其实这次没得参考啦，因为原作者没写过程，直接把最后的图表丢出来了T_T
我先自己研究一下吧~

01 pyecharts初体验

请教大牛后得知，想要实现这种效果，需要使用pyecharts

 

花式图表

于是我使用pip install pyecharts
过程略坎坷，遇到几次报错，不太明白，智能重复上述命令，结果两三次之后，安上了。
跑个代码实验一下

import pyecharts

bar = pyecharts.Bar(title="myBar",subtitle="xxx data")

attr =['a','b','c','d','e','f']

v1 = [1,2,3,4,5,6]

v2 = [3,5,2,1,5,1]

bar.add('test1',attr,v1,is_stack=True)

bar.add('test2',attr,v2,is_stack=True)

bar.render()

一实验发现，能生成html文件，good

 

fun.render()命令可以生成html文件

但是Jupyter notebook生成的都是空白！类似下面这样：

 

Jupyter notebook下无法使用pycharts

这样可不方便呀，于是百度了很多办法，终于找到pyecharts的开发者回复的一种解决方案：

安装之前先执行一次 pip uninstall pyecharts
卸载原有版本后再 pip install pyecharts==0.1.9.5

试验后，发现这个办法可行，现在Jupyter notebook可以显示啦~

 

Jupyter notebook下使用pyecharts

附上2个参考
1.惊艳的可视化--飞机航行图 http://python.tedu.cn/know/320402.html
2.pyecharts官方文档（图表配置极其强大，什么都有，词云、热力图、等等） https://pyecharts.readthedocs.io/zh/latest/zh-cn/jupyter_notebook/
http://pyecharts.org/#/zh-cn/jupyter_notebook?id=%E7%A4%BA%E4%BE%8B

02 提取数据并绘制饼图

先绘制一个工作经验分布饼图
代码如下

experience = ["应届生","1年以内","1-3年","3-5年","5-10年","10年以","不限"]
value = []
for i in range(len(experience)):
    value.append(db.Python_jobs.count_documents({"experience": experience[i]}))
print(value)

import pyecharts 
chart_experience = pyecharts.Pie("工作经验扇形图")
chart_experience.add('test1',experience,value,is_label_show = True)
chart_experience

效果如下

 

工作经验饼图

• 主要难点
  在于mongodb提取数据的数据库命令
  以及list循环

• 命令小记
  len(list) 获取list元素个数
  list.append() 向list中添加新元素
  db.collection.count_documents('name':'value') 获取表中某变量的个数

03 用柱状图显示薪资

实现思路：
1 从数据库中取出所有应届生最低工资，累加，除以应届生数量，得到应届生最低薪资水平均值，放入salary_low
2 以此类推，循环取出其他工作经验的最低薪资平均值，放入salary_low中
3 以此类推，得到salary_high，与salary_low计算得到salary_avg
4 通过pyecharts显示出来
5 其中的数据结构就是list，exp是list，每个工作经验包含salary_low/avg/high

代码：

#04 薪资分布柱状图
from pyecharts import Bar
exp = ["应届生","1年以内","1-3年","3-5年","5-10年","10年以上","不限"]
salary_low = []
salary_high = []
salary_avg = []

i = 0
for i in range(len(exp)):
    items = db.Python_jobs.find({'experience':exp[i]})
    low_sum = 0
    high_sum = 0
    for item in items:
        dictionnary = item['salary']
        #print(dictionnary)
        low_sum = dictionnary['low'] + low_sum
        high_sum = dictionnary['high'] + high_sum
    try:
        salary_low.append(round(low_sum/value[i])) 
        salary_high.append(round(high_sum/value[i])) 
        salary_avg.append(round((salary_low[i]+salary_high[i])/2))
    except:
        salary_low.append(round(value[i])) 
        salary_high.append(round(value[i]))
        salary_avg.append(round(value[i]))

#print(salary_low)
#print(salary_high)
#print(salary_avg)

bar = Bar("Python工程师薪资")
bar.add("最低薪资", exp, salary_low, is_label_show = True)
bar.add("平均薪资", exp, salary_avg, is_label_show = True)
bar.add("最高薪资", exp, salary_high, is_label_show = True)
bar

实现效果：

 

pyecharts柱状图

04 用扇形图显示领域

思路
数据总量 540条招聘信息
一、分几类（industryField相同算一类）
二、每一类多少条招聘信息

找了很久，终于找到mongodb中的Mapreduce方法可以用来实现

db.Python_jobs.mapReduce( 
   function() { emit(this.industryField,1); }, 
   function(key, values) {return Array.sum(values)}, 
      {  
         out:"non" 
      }
)

(执行完上面这条命令，其实把数据存入了另一个collection “non”中
显示的结果和上面的代码+find()一样)

在mongobooster查询结果如下

 

分类和每一类的条数都有了

对Mapreduce()函数的说明

 map: function() {emit(this.cat_id,this.goods_number); }, # 函数内部要调用内置的emit函数,cat_id代表根据cat_id来进行分组,goods_number代表把文档中的goods_number字段映射到cat_id分组上的数据,其中this是指向向前的文档的,这里的第二个参数可以是一个对象,如果是一个对象的话,也是作为数组的元素压进数组里面;
 
 reduce: function(cat_id,all_goods_number) {return Array.sum(all_goods_number)}, # cat_id代表着cat_id当前的这一组,all_goods_number代表当前这一组的goods_number集合,这部分返回的就是结果中的value值;
 
 out: <output>, # 输出到某一个集合中,注意本属性来还支持如果输出的集合如果已经存在了,那是替换,合并还是继续reduce? 另外还支持输出到其他db的分片中,具体用到时查阅文档,筛选出现的键名分别是_id和value;
 
 query: <document>, # 一个查询表达式,是先查询出来,再进行mapReduce的
 
 sort: <document>, # 发往map函数前先给文档排序
 
 limit: <number>, # 发往map函数的文档数量上限,该参数貌似不能用在分片模式下的mapreduce
 
 finalize: function(key, reducedValue) {return modifiedObject; }, # 从reduce函数中接受的参数key与reducedValue,并且可以访问scope中设定的变量
 
 scope: <document>, # 指定一个全局变量,能应用于finalize和reduce函数
 
 jsMode: <boolean>, # 布尔值，是否减少执行过程中BSON和JS的转换，默认true,true时BSON-->js-->map-->reduce-->BSON,false时 BSON-->JS-->map-->BSON-->JS-->reduce-->BSON,可处理非常大的mapreduce。

pyecharts处理结果如下

 

空心饼图

代码如下：

#04.1 数据处理
industryFieldKey = []
industryFieldValue = []
cursor = db.non.find() #这个non就是之前db指令生成的新collection
for c in cursor: #如果不用cursor的话，只能看到16进制的游标值
    #print(c)
    industryFieldKey.append(c['_id'])
    industryFieldValue.append(c['value'])
print(industryFieldKey)
print(industryFieldValue)

#04.2 可视化
from pyecharts import Pie
pie = Pie("各领域招聘数量", title_pos='center', width = 1000)
pie.add("", industryFieldKey, industryFieldValue, center=[60, 50], radius=[30, 70], label_text_color=None,
        is_label_show=True, legend_orient='vertical',
        legend_pos='left')
pie

欠缺之处 使用Mapreduce处理的时候没有排序输出，所以图像显示比较乱
后面有时间再完善吧~

学到的内容：

• Mapreduce 可以统计分组以及各分组数量
• mongodb collection中的内容，需要通过curser循环打印出来

05 用词云显示技术名词

思路
1 逐个打开页面
2 爬取label，放入MongoDB中
3 Mapreduce，排序

小发现
之前经常遇到jupyter notebook停止输出的问题
今天受不了了，google一下发现原来是这样：
[ * ]表示正在执行
编程[ * ]之后不要再重复敲了，否则就会停止输出
如果不小心敲了，那就点击上方栏目上的方块，停止运行，就好了。

 

[ * ]表示正在运行

1.逐个打开页面，print(label)完成 （更新于0801）

tags = soup.find("div", {"class": "job-tags"})
        print(tags.text)

效果如下

 

一排网页链接，一排label

2.将tags的内容保存到MongoDB中去
问题：取出来的值连在一起，而且存入数据库时前后都有
目前方法：

tags = soup.find("div", {"class": "job-tags"})
        print(tags.text)
        item['positionLables'] = tags.text

数据库存储效果：

 

前后带 且没有分割

研究内容：
如何使用soup.find将网页中<span>Python</span><span>Hadoop</span>以list形式存入数据库？

3.使用第二层soup.find，提取list

tags = soup.find("div", {"class": "job-tags"})
        lists = tags.find_all("span")
        print(lists)

效果如下

[<span>python爬虫</span>, <span>Web前端</span>, <span>Diango</span>]

能够提取list了，只是还有<span>需要去掉

更新 2018-08-04

从这个列表中提取字符真是搞死我了，这个列表不是普通的列表，里面不是字符串
列表类型是 <class 'bs4.element.ResultSet'>
里面的字符类型是 <class 'bs4.element.Tag'>
所以今天用正则去匹配的时候总是出问题！

如何把 taglists = [<span>python爬虫</span>, <span>Web前端</span>, <span>Diango</span>]
变成 taglists = ["python爬虫", "Web前端", "Diango"]
成立难倒我的课题

没关系，今天学到了正则表达式，也是蛮好的

import re
key = r"<span>python爬虫</span>"#这段是你要匹配的文本
p1 = r"(?<=<span>).+?(?=</span>)"#这是我们写的正则表达式规则，你现在可以不理解啥意思
pattern1 = re.compile(p1)#我们在编译这段正则表达式
matcher1 = re.search(pattern1,key)#在源文本中搜索符合正则表达式的部分
print matcher1.group(0)#打印出来

输出结果

python爬虫

科普两个点

• 第一点是?<=与?=
  ?<=<span> 表示在匹配字符前必须有<span>， ?=</span>表示在匹配字符后必须有</span>
  比如 p = r"(?<=A)XX(?=B)"
  表示要匹配的字符是XX
  但是必须满足AXXB的形式
• 第二点是+？ 贪婪模式和懒惰模式
  yiping@hit.edu.cn
  p1 = r"@.+." #想匹配@到"."之间，即hit
  结果是"@hit.edu."
  为什么多了？ 因为正则表达式默认是贪婪模式
  yiping@hit.edu.cn
  p1 = r"@.+?." #在+之后加上?
  结果是"@hit."
  +?将贪婪模式改成了懒惰模式

放一个正则表达式讲的特别好的例子
https://www.cnblogs.com/chuxiuhong/p/5885073.html Python 正则表达式入门（初级篇）
有一本讲正则表达式的书挺不错的 《正则表达式必知必会》

更新 2018-08-09

做出了一周的努力，仍然没有办法使用soup find()方法提取岗位label，拖延已久，暂时告一段落吧。

这个项目目前只留下一个词云没有做完，其余内容都过了一遍。

学到的东西包括：
scrapy爬虫的设置

• requests（一个用来发送HTTP请求的简单库）
• BeautifulSoup（一个从HTML和XML中解析数据的库）

MongoDB的用法

• MongoBooster可视化工具

Pyecharts可视化工具

re正则表达式库

• 贪婪模式
• 懒惰模式

总结注意：很多人学Python过程中会遇到各种烦恼问题，没有人帮答疑容易放弃。为此小编建了个Python全栈免费答疑.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有最新Python教程项目可拿,，一起相互监督共同进步！

本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。