闲着无事逛逛招聘网站，无意看到了爬虫岗位的薪资，发现真香，今天决定爬取下来并进行分析
【加群获取学习资料QQ群：901381280】
识别文末二维码，回复：小白入门
未经允许，禁止装载
目录
2.分析目标网站的标签，发现想要的字段（岗位、公司名称、城市、薪资）都在p标签里面,如下图
首先，确定目标网站：
https://jobs.51job.com/pachongkaifa1.开始
打开pycharm，新建文件->导入必备的库->加入常用的请求头header
# 导入requests包
import requests
from lxml import etree
# 网页链接
url = "https://jobs.51job.com/pachongkaifa/p1/"
# 请求头
headers = {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Encoding": "gzip, deflate, br",
"Accept-Language": "zh-CN,zh;q=0.9",
"Connection": "keep-alive",
"Cookie": "guid=7e8a970a750a4e74ce237e74ba72856b; partner=blog_csdn_net",
"Host": "jobs.51job.com",
"Sec-Fetch-Dest": "document",
"Sec-Fetch-Mode": "navigate",
"Sec-Fetch-Site": "none",
"Sec-Fetch-User": "?1",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"
}2.分析目标网站的标签，发现想要的字段（岗位、公司名称、城市、薪资）都在p标签里面,如下图
<p class="info">
3.开始编写代码
先通过request请求网页，防止中文乱码，进行gbk的编码（如果不设置则会出现乱码）
res = requests.get(url=url, headers=headers)
res.encoding='gbk'
s = res.text
，接着进行解析网页，获取想要的内容
selector = etree.HTML(s)
for item in selector.xpath('/html/body/div[4]/div[2]/div[1]/div/div'):
title = item.xpath('.//p/span[@class="title"]/a/text()')
name = item.xpath('.//p/a/@title')
location_name = item.xpath('.//p/span[@class="location name"]/text()')
sary = item.xpath('.//p/span[@class="location"]/text()')
time = item.xpath('.//p/span[@class="time"]/text()')
if len(title)>0:
print(title)
print(name)
print(location_name)
print(sary)
print(time)
print("-----------")最后出现运行后，结果如下：
4.存储到csv文件
为了方便下一步我们对数据进行分析，我将爬取下来的数据存储到csv文件
导入需要的库包
import csv
import codecs创建csv文件，并设置为追加写模式
f = codecs.open('爬虫工程师岗位薪资.csv','a','gbk')
writer = csv.writer(f)
writer.writerow(["岗位","公司","城市","薪资"])在爬取文件的时候将爬取的内容循环写入csv
writer.writerow([title[0]+"",name[0]+"",location_name[0]+"",sary[0]+""])保存好的csv数据如下：
5.分析数据并进行可视化
从csv中读取爬取好的数据
with open('爬虫工程师岗位薪资.csv','r',encoding = 'gbk') as fp:
reader = csv.reader(fp)
for row in reader:
#岗位
title_list.append(row[0])
#城市
city_list.append(row[2][0:2])
#薪资分布
sary = row[3].split("-")
if(len(sary)==2):
try:
sary = sary[1].replace("/月","")
if "万" in sary:
sary = sary.replace("万","")
sary = int(sary)
sary = sary*10000
sary_list.append(sary)
if "千" in sary:
sary = sary.replace("千","")
sary = int(sary)
sary = sary * 1000
sary_list.append(sary)
except:
pass
这里用了三个集合来存储系统分析的内容（岗位、城市、薪资分布）
#岗位
title_list=[]
#城市
city_list=[]
#薪资分布
sary_list=[]由于薪资是1万/月、2万/月，为了转为10000、20000，则需要进行相应的处理。
开始分析了
5.1.可视化1：爬虫岗位常用名称
dict_x = {}
for item in title_list:
dict_x[item] = title_list.count(item)
sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
k_list = []
v_list = []
for k, v in sorted_x[0:11]:
k_list.append(k)
v_list.append(v)
plt.axes(aspect=1)
plt.pie(x=v_list,labels= k_list,autopct='%0f%%')
plt.savefig("爬虫岗位常用名称.png", dpi=600)
plt.show()
从图中可以看出，大多数公司都需要用"爬虫开发工程师"这个词
5.2.可视化2：爬虫岗位最多的城市
dict_x = {}
for item in city_list:
dict_x[item] = city_list.count(item)
sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
k_list = []
v_list = []
for k, v in sorted_x[0:11]:
print(k, v)
k_list.append(k)
v_list.append(v)
plt.bar(k_list,v_list, label='爬虫岗位最多的城市')
plt.legend()
plt.xlabel('城市')
plt.ylabel('数量')
plt.title(u'爬虫岗位最多的城市(李运辰)')
plt.savefig("爬虫岗位最多的城市.png", dpi=600)
plt.show()
从图中来看，大城市（北上广深）的爬虫工程师岗位居多
5.3.可视化3：薪资分布情况
dict_x = {}
for item in sary_list:
dict_x[item] = sary_list.count(item)
sorted_x = sorted(dict_x.items(), key=operator.itemgetter(1), reverse=True)
k_list = []
v_list = []
for k, v in sorted_x[0:15]:
print(k, v)
k_list.append(k)
v_list.append(v)
plt.axes(aspect=1)
plt.title(u'薪资分布情况(李运辰)')
plt.pie(x=v_list, labels=k_list, autopct='%0f%%')
plt.savefig("薪资分布情况.png", dpi=600)
plt.show()
我们可以发现，爬虫工程师的薪资在20000+以上的占大半数，尤其是20000左右的居多，看来爬虫岗位真是太香，你酸了吗，哈哈哈哈
data = pd.DataFrame({"value":sary_list})
cats1 = pd.cut(data['value'].values, bins=[8000, 10000, 20000, 30000, 50000,data['value'].max()+1])
pinshu = cats1.value_counts()
pinshu_df = pd.DataFrame(pinshu, columns=['频数'])
pinshu_df['频率f'] = pinshu_df / pinshu_df['频数'].sum()
pinshu_df['频率%'] = pinshu_df['频率f'].map(lambda x: '%.2f%%' % (x * 100))
pinshu_df['累计频率f'] = pinshu_df['频率f'].cumsum()
pinshu_df['累计频率%'] = pinshu_df['累计频率f'].map(lambda x: '%.4f%%' % (x * 100))
print(pinshu_df)
print()
print("李运辰")
从薪资范围来看，在10000-20000之间站大多数，基本很不错的薪资，大于20000+的很有一些，真是诱惑太大了
ok，今天的分享就到此结束了，我们下次再见
【加群获取学习资料QQ群：901381280】
识别文末二维码，回复：小白入门
【本文完整源码获取方式】
识别文末二维码，回复：爬虫薪资分析
【各种爬虫源码获取方式】
识别文末二维码，回复：爬虫源码
欢迎关注公众号：Python爬虫数据分析挖掘，方便及时阅读最新文章
记录学习python的点点滴滴；
回复【开源源码】免费获取更多开源项目源码；