用python 实时监控 智联招聘岗位情况

本文介绍了使用Python进行实时监控智联招聘岗位的方法,主要涉及requests获取网页内容,tdqm展示进度条,beautifulsoup4和PyQuery解析HTML,celery实现异步发送邮箱以及redis存储任务。配置包括163邮箱SMTP设置,并提供了启动celery worker的命令及运行状态展示。

技能点:正则 requests tdqm  BeautifulSoup4  PyQuery celery  redis

1.requests 来获取html页面 

2.tdqm 来查看程序完成进度条

3. beautifulsoup4 PyQuery 用来解析HTML页面提取有效信息

4.celery 用来异步发送邮箱

5.redis用来存储celery需要执行的函数

获取html和解析html代码如下:

#-*- coding:utf-8 -*-
import re
from urllib.parse import urlencode
import requests
import time
from tqdm import tqdm
from bs4 import BeautifulSoup
from pyquery import PyQuery
from celery_tasks.email import tasks as email

def get_main_html(city,word,page):
    '''获取主页源代码'''
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
        'Host': 'sou.zhaopin.com',
        'Referer': 'https://www.zhaopin.com/',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9'
    }

    data = {
        'jl': city,  # 搜索城市
        'kw': word,  # 搜索关键词
        'isadv': 0,  # 是否打开更详细搜索选项
        'isfilter': 1,  # 是否对结果过滤
        'p': page  # 页数
    }

    url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?'+ urlencode(data)

    response = requests.get(url,headers=headers)
    return response.text


def get_detail_url(html):
    '''从主页html获取详细页url'''
    soup  = BeautifulSoup(html,'lxml')
    a_list = soup.find_all(attrs={'style':'font-weight: bold'})

    detail_url_list = []
    # 获取详细a标签中的href属性
    for a in a_list:
        detail_url_list.append(a.attrs['href'])

    return detail_url_list



def get_detail_html(url):
    '''获取详细页源代码'''
    headers = {'Host': 'jobs.zhaopin.com',
               'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186Safari/537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Language': 'zh-CN,zh;q=0.9'
        }

    response = requests.get(url,headers=headers)
    html  = response.text
    return html




def handle_detail_html(html,url):
    '''处理详细页源代码 获取有效信息'''
    employment_info = {}
    soup = BeautifulSoup(html,'lxml')
    # 获取标题
    try:
        title_content = soup.find(attrs={'class':'inner-left'}).find('h1').string
        main_html = soup.find(attrs={'class':'tab-inner-cont'})
        digest_html = soup.find(attrs={'class':'terminal-ul'})
        doc_digest = PyQuery(digest_html.__str__())
        doc_content = PyQuery(main_html.__str__())
        digest_content = doc_digest.text()
        # 获取主要内容

        main_content = re.sub(r'=+','',doc_content.text())
        # 将获取的信息放入字典中
        employment_info['title'] = title_content
        employment_info['digest'] = digest_content
        employment_info['main'] = main_content
        employment_info['url'] = url
    except:
        pass
    return  employment_info



def send_email(employment_info):
    '''调用celery 发送到自己的邮箱'''
    time.sleep(2)
    email.task_send_email.delay(employment_info)

def save_url(url):
    with open('already_url','a+') as f:
        f.seek(0)
        if url not in f.read().split('|'):
            f.write(url)
            f.write('|')
        else:
            return True


def spider(city,word,page):
    '''主要控制函数函数'''
    html = get_main_html(city,word,page)
    urlList = get_detail_url(html)

    for url in tqdm(urlList):
        # 判断是否可以已经爬取过
        if save_url(url):
            continue
        html = get_detail_html(url)
        employment_info = handle_detail_html(html,url)
        send_email(employment_info)

    print('第%s爬取结束'%(page+1))



if __name__ == '__main__':
    while True:
        for i in range(3):
            print('开始爬取第%s页'%(i+1))
            spider('上海','python',i)
            time.sleep(1)

        time.sleep(3600)
配置celery如下:


config.py用来配置异步任务存放的位置

result_backend = 'redis://172.16.14.128:6379/2'
broker_url = 'redis://172.16.14.128:6379/1'

main是启动文件

from celery import Celery

# 为celery使用django配置文件进行设置

# 创建celery应用
app = Celery('爬虫')

# 导入celery配置
app.config_from_object('celery_tasks.config')

# 自动注册celery任务
app.autodiscover_tasks(['celery_tasks.email'])

email下的tasks


from celery_tasks.main import app
import smtplib
import email.mime.multipart
import email.mime.text

@app.task(name='task_send_email')
def task_send_email(employment_info):

    msg = email.mime.multipart.MIMEMultipart()
    msgFrom = '****@163.com'  # 163开启stmp的邮箱
    msgTo = '****@qq.com'  # 接受邮件的邮箱
    smtpSever = 'smtp.163.com'  # 163邮箱的smtp Sever地址
    smtpPort = '25'  # 开放的端口
    sqm = '****'  # 163的使用授权码而非账户密码

    msg['from'] = msgFrom
    msg['to'] = msgTo
    msg['subject'] = '招聘职位-%s'%employment_info.get('title',None)
    content = '''
    招聘职位-%s:
    招聘信息:%s
    岗位描述:%s
    网址:%s
    '''%(employment_info.get('title',None),employment_info.get('digest',None),employment_info.get('main',None),employment_info.get('url',None))

    txt = email.mime.text.MIMEText(content)
    msg.attach(txt)
    smtp = smtplib
    smtp = smtplib.SMTP()
    '''
    smtplib的connect(连接到邮件服务器)、login(登陆验证)、sendmail(发送邮件)
    '''
    smtp.connect(smtpSever, smtpPort)
    smtp.login(msgFrom, sqm)
    smtp.sendmail(msgFrom, msgTo, str(msg))

    smtp.quit()

163的stmp配置链接 https://jingyan.baidu.com/article/7f41ecec3e8d35593d095c93.html

如上都配置好后 在celery_tasks同级目录下执行如下命令:

celery -A celery_tasks.main worker -l info

启动成功如下:

(py3_spider) ahuadeMBP:spider_pyfile ahua$ celery -A celery_tasks.main worker -l info

 

 -------------- celery@ahuadeMBP v4.2.0 (windowlicker)

---- **** ----- 

--- * ***  * -- Darwin-17.6.0-x86_64-i386-64bit 2018-07-09 11:20:44

-- * - **** --- 

- ** ---------- [config]

- ** ---------- .> app:         爬虫:0x10619dd68

- ** ---------- .> transport:   redis://172.16.14.128:6379/1

- ** ---------- .> results:     redis://172.16.14.128:6379/2

- *** --- * --- .> concurrency: 8 (prefork)

-- ******* ---- .> task events: OFF (enable -E to monitor tasks in this worker)

--- ***** ----- 

 -------------- [queues]

                .> celery           exchange=celery(direct) key=celery

                


[tasks]

  . task_send_email


[2018-07-09 11:20:44,969: INFO/MainProcess] Connected to redis://172.16.14.128:6379/1

[2018-07-09 11:20:44,977: INFO/MainProcess] mingle: searching for neighbors

[2018-07-09 11:20:45,995: INFO/MainProcess] mingle: all alone

[2018-07-09 11:20:46,016: INFO/MainProcess] celery@ahuadeMBP ready.



最后启动文件如下:

celery如下:


邮箱效果如下:


<think>嗯,用户之前已经问过关于招聘网站岗位需求的词频分析,现在又进一步询问具体如何进行词频统计和分析。我需要结合之前的回答和提供的引用资料来给出详细的步骤。 首先,用户可能需要了解整个流程,包括数据采集、预处理、分词、统计和可视化。根据引用[2]和[3],数据采集通常通过爬虫获取,比如使用Python的requests和BeautifulSoup库。数据预处理部分需要清洗数据,去除无关符号,处理大小等。在引用[2]的例子中,用户提到了将技能标签拆分,这可能涉及到处理数组字段,比如用Pandas处理。 然后是分词,特别是中文分词,引用[3]中使用了分词统计和词云图,所以需要推荐合适的中文分词工具,比如jieba。同时,用户可能需要处理同义词合并,比如“Python”和“python”统一为小,或者合并类似术语,如“MySQL”和“mysql”。引用[3]提到停用词处理,需要去除不相关的词汇,比如“具备”、“负责”等,可能需要自定义停用词表。 接下来是词频统计,可以用Python的Counter或者PySpark处理大规模数据。引用[4]中提到了使用value_counts()进行统计,所以可能需要结合Pandas进行分析。可视化部分,引用[2]和[4]使用了Matplotlib和PyEcharts生成图表,如柱状图、词云图,需要给出具体代码示例。 用户可能还关心如何优化处理效率,比如使用分布式处理(如PySpark),这在之前的回答中也有提到。此外,引用[3]中提到了TF-IDF和LDA模型,但用户当前的问题集中在词频分析,可能需要简要提及进阶分析作为扩展,但主要回答应聚焦在基础词频统计。 需要注意引用中的信息,比如引用[2]中的技能标签字段处理,引用[3]中的分词结果和停用词处理,引用[4]中的公司名称统计方法。同时,用户可能希望了解实际代码示例,因此需要提供具体的Python代码片段,如使用jieba分词、Counter统计词频,以及生成词云的代码。 最后,用户可能需要知道分析维度,比如按城市、行业进行横向对比,或者结合薪资数据,这在之前的回答和引用[3][4]中都有涉及。需要确保回答结构清晰,步骤明确,覆盖数据采集到可视化的全过程,并参考之前的引用资料来支持各步骤的建议。</think>#### 招聘岗位需求词频分析完整流程(附代码示例) --- ### 一、数据准备阶段 1. **数据采集** 参考[2]中智联招聘爬虫案例,抓取关键字段: ```python # 示例:抓取岗位技能要求(requests+BeautifulSoup) import requests from bs4 import BeautifulSoup def get_job_descriptions(url): res = requests.get(url, headers={'User-Agent': 'Mozilla/5.0'}) soup = BeautifulSoup(res.text, 'html.parser') return [div.text for div in soup.select('.job-desc')] # 根据实际网站结构调整选择器 ``` 2. **字段清洗** 针对引用[4]中的`skillLabels`等字段: ```python # 清洗数组型字段(参考引用[4]) import re def clean_skills(text): text = re.sub(r'[\[\]\'\"]', '', text) # 去除特殊符号 return [x.strip().lower() for x in text.split(',')] # 统一小 ``` --- ### 二、核心分析步骤 1. **中文分词处理** 采用引用[3]中的研究方法,使用`jieba`进行精准分词: ```python import jieba from collections import Counter # 加载停用词表(参考引用[3]研究) with open('stopwords.txt') as f: stopwords = set(f.read().split()) def word_freq_analysis(texts): words = [] for text in texts: seg = jieba.cut(text) words += [w for w in seg if w not in stopwords and len(w)>1] return Counter(words) ``` 2. **技术标签统计** 直接统计`skillLabels`字段(如引用[4]的案例): ```python # 统计技术标签频率 from itertools import chain skills = list(chain(*df['skillLabels'].apply(clean_skills))) skill_counts = pd.Series(skills).value_counts().head(20) ``` --- ### 三、可视化呈现 1. **词云生成** 参考引用[3]的词云分析方法: ```python from wordcloud import WordCloud import matplotlib.pyplot as plt wc = WordCloud(font_path='msyh.ttc', width=800, height=400) wc.generate_from_frequencies(word_counts) plt.imshow(wc) plt.axis('off') ``` 2. **技能需求对比** 按城市维度分析(引用[2]多城市数据): ```python # 生成各城市TOP5技能对比图 cities = ['上海', '北京', '广州'] for city in cities: city_skills = df[df['city']==city]['skillLabels'].apply(clean_skills) pd.Series(chain(*city_skills)).value_counts().head(5).plot(kind='bar') plt.title(f'{city}技能需求TOP5') ``` --- ### 四、进阶分析技巧 1. **同义词合并** 处理类似"Python"/"python"等大小问题: ```python synonym_map = {'python': 'Python', 'mysql': 'MySQL'} words = [synonym_map.get(w.lower(), w) for w in words] ``` 2. **分布式计算优化** 百万级数据参考引用[2]的PySpark方案: ```python # Spark词频统计(引用[2]方法扩展) skill_rdd = spark.read.csv('jobs.csv').select('skillLabels').rdd skill_rdd.flatMap(lambda x: clean_skills(x[0])) \ .map(lambda x: (x, 1)) \ .reduceByKey(add) \ .sortBy(lambda x: -x[1]) ``` --- ### 五、分析报告要点 1. **核心发现模板** - 高频技术词:Python(72%)、SQL(68%)、Hadoop(53%)[^3] - 学历要求分布:本科占比56.46%(引用[3]结论) - 城市差异:北京Python需求比上海高15%(引用[2]数据延伸) 2. **动态监控建议** 参考引用[4]的时间维度分析: ```python # 按月统计技能趋势 df['month'] = pd.to_datetime(df['post_date']).dt.month df.groupby('month')['skillLabels'].apply(lambda x: pd.Series(chain(*x)).value_counts().index[0]) ``` --- ### 常见问题解决方案 1. **数据不均衡**:对出现频率<5次的低频词过滤(参考引用[3]处理方法) 2. **岗位类型混淆**:先按`jobType`字段分类再分析(引用[4]字段结构) 3. **中英文混合**:统一转换处理(如"数据库"vs"Database") --- ### 延伸分析方向 1. 薪资-技能关联分析(结合引用[4]的`salary`字段) 2. 使用引用[3]的TF-IDF算法提取关键要求 3. 构建岗位需求知识图谱(基于共现词分析) --- **最佳实践提示**:建议先用引用[2]的12城市数据集进行小规模验证,再扩展至全量数据分析[^2]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值