當 Python 程式員，能買得起房嗎？

透過實踐發現除了必須攜帶essay-headers之外，拉勾網對ip訪問頻率也是有限制的。一開始會提示 ‘訪問過於頻繁’，繼續訪問則會將ip拉入黑名單。不過一段時間之後會自動從黑名單中移除。

針對這個策略，我們可以對請求頻率進行限制，這個弊端就是影響爬蟲效率。

其次我們還可以透過代理ip來進行爬蟲。網上可以找到免費的代理ip，但大都不太穩定。付費的價格又不太實惠。 

具體就看大家如何選擇了。

if __name__ == ‘__main__’:
    # 預設先查詢第一頁的資料
    kind = ‘python’
    # 請求一次 獲取總條數
    position_result = get_json(kind=kind)
    # 總條數
    total = position_result[‘totalCount’]
    print(‘{}開發職位，招聘資訊總共{}條…..’.format(kind, total))
    # 每頁15條 向上取整 算出總頁數
    page_total = math.ceil(total/15)

    # 所有查詢結果
    search_job_result = []
    #for i in range(1, total + 1)
    # 為了節約效率 只爬去前100頁的資料
    for i in range(1, 100):
        position_result = get_json(kind=kind, page= i)
        # 每次抓取完成後,暫停一會,防止被伺服器拉黑
        time.sleep(15)
        # 當前頁的招聘資訊
        page_python_job = []
        for j in position_result[‘result’]:
            python_job = []
            # 公司全名
            python_job.append(j[‘companyFullName’])
            # 公司簡稱
            python_job.append(j[‘companyShortName’])
            # 公司規模
            python_job.append(j[‘companySize’])
            # 融資
            python_job.append(j[‘financeStage’])
            # 所屬區域
            python_job.append(j[‘district’])
            # 職稱
            python_job.append(j[‘positionName’])
            # 要求工作年限
            python_job.append(j[‘workYear’])
            # 招聘學歷
            python_job.append(j[‘education’])
            # 薪資範圍
            python_job.append(j[‘salary’])
            # 福利待遇
            python_job.append(j[‘positionAdvantage’])

            page_python_job.append(python_job)

        # 放入所有的串列中
        search_job_result += page_python_job
        print(‘第{}頁資料爬取完畢, 目前職位總數:{}’.format(i, len(search_job_result)))
        # 每次抓取完成後,暫停一會,防止被伺服器拉黑
        time.sleep(15)

  # 將總資料轉化為data frame再輸出
    df = pd.DataFrame(data=search_job_result,
                      columns=[‘公司全名’, ‘公司簡稱’, ‘公司規模’, ‘融資階段’, ‘區域’, ‘職位名稱’, ‘工作經驗’, ‘學歷要求’, ‘工資’, ‘職位福利’])
    df.to_csv(‘lagou.csv’, index=False, encoding=‘utf-8_sig’)

# 讀取資料  
df = pd.read_csv('lagou.csv', encoding='utf-8')
# 資料清洗,剔除實習崗位  
df.drop(df[df['職位名稱'].str.contains('實習')].index, inplace=True)  
# print(df.describe())
# 由於CSV檔案內的資料是字串形式,先用正則運算式將字串轉化為串列,再取區間的均值  
pattern = '\d+'  
df['work_year'] = df['工作經驗'].str.findall(pattern)
# 資料處理後的工作年限
avg_work_year = []
# 工作年限
for i in df['work_year']:
   # 如果工作經驗為'不限'或'應屆畢業生',那麼匹配值為空,工作年限為0  
   if len(i) == 0:  
       avg_work_year.append(0)  
   # 如果匹配值為一個數值,那麼傳回該數值  
   elif len(i) == 1:  
       avg_work_year.append(int(''.join(i)))  
   # 如果匹配值為一個區間,那麼取平均值  
   else:  
       num_list = [int(j) for j in i]  
       avg_year = sum(num_list)/2  
       avg_work_year.append(avg_year)
df['工作經驗'] = avg_work_year

# 將字串轉化為串列,再取區間的前25%，比較貼近現實  
df['salary'] = df['工資'].str.findall(pattern)
# 月薪
avg_salary = []  
for k in df['salary']:  
   int_list = [int(n) for n in k]  
   avg_wage = int_list[0]+(int_list[1]-int_list[0])/4  
   avg_salary.append(avg_wage)
df['月工資'] = avg_salary

# 將學歷不限的職位要求認定為最低學歷:大專\
df['學歷要求'] = df['學歷要求'].replace('不限','大專')

# 繪製頻率直方圖並儲存  
plt.hist(df['月工資'])
plt.xlabel('工資 (千元)')   
plt.ylabel('頻數')
plt.title("工資直方圖")   
plt.savefig('薪資.jpg')  
plt.show()  

# 繪製餅圖並儲存  
count = df['區域'].value_counts()
plt.pie(count, labels = count.keys(),labeldistance=1.4,autopct='%2.1f%%')  
plt.axis('equal')  # 使餅圖為正圓形  
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))  
plt.savefig('pie_chart.jpg')  
plt.show()  

# {'本科': 1304, '大專': 94, '碩士': 57, '博士': 1}
dict = {}
for i in df['學歷要求']:
    if i not in dict.keys():
        dict[i] = 0
    else:
        dict[i] += 1
index = list(dict.keys())
print(index)
num = []
for i in  index:
    num.append(dict[i])
print(num)
plt.bar(left=index, height=num, width=0.5)
plt.show()

# 繪製詞雲,將職位福利中的字串彙總  
text = ''  
for line in df['職位福利']:  
   text += line  
# 使用jieba模組將字串分割為單詞串列
cut_text = ' '.join(jieba.cut(text))
#color_mask = imread('cloud.jpg')  #設定背景圖
cloud = WordCloud(
    background_color = 'white',
    # 對中文操作必須指明字型
    font_path='yahei.ttf',
    #mask = color_mask,
    max_words = 1000,
    max_font_size = 100
    ).generate(cut_text)

# 儲存詞雲圖片
cloud.to_file('word_cloud.jpg')
plt.imshow(cloud)
plt.axis('off')
plt.show()