大数据项目：职务分析（一）——数据获取

数据项目：职务分析（一）——数据获取"/>

大数据项目：职务分析（一）——数据获取

项目介绍：该项目适合学习的时候使用，因为项目比较小，主要目的对猎聘当中的各个岗位的数据的获取和简单的分析，从多个方面分析岗位之间的关系以及薪资的差异。

采用的技术有：

python爬虫：

hadoop：hdfs存储数据

hive on spark : 进行数据分析

sqoop: 将分析的结果传输到关系型数据库当中

superset：进行数据的可视化

首先是将数据从猎聘官网当中获取：

爬取技术一栏当中的似是一个岗位对应的数据。

先获得各个岗位的url，进行跳转，在每个网页当获取有用的信息：比如：岗位，地址，薪资，公司规模，要求掌握的技术，学历要求和经验要求，最后，对这一页的数据爬取完之后，进行跳转，通过find-element-by-xpath(),来锁定到下一页的链接上，跳转到下一页再进行数据的爬取，如此往复，从而，得到所有的想要的数据。 

 话不多说，代码实现为：

from selenium import webdriver
from selenium.webdriver.chrome.webdriver import Options
from lxml import etree
import osdef share_brower():chrome_options = Options()# chrome_options.add_argument('--headless')   # 来判断浏览器的前后台运行，有图形化可以更好的展现她的活动chrome_options.add_argument('--disable-gpu')path='C:\Program Files (x86)\Google\Chrome\Application\chrome.exe'chrome_options.binary_location = pathbrower = webdriver.Chrome(chrome_options=chrome_options)return browerdef save(source, number, name1):tree = etree.HTML(source)position = tree.xpath('//ul/li//div[@class="job-title-box"]/div[1]/text()')addr = tree.xpath('//ul/li//div[@class="job-title-box"]/div[2]/span[2]/text()')salary = tree.xpath('//ul/li//div[@class="job-detail-header-box"]/span/text()')company = tree.xpath('//ul/li//div[@class="job-company-info-box"]/span/text()')scale = tree.xpath('//ul/li//div[@class="job-company-info-box"]/div[@class="company-tags-box ellipsis-1"]/span[last()]/text()')experience = tree.xpath('//ul/li//div[@class="job-labels-box"]/span[1]/text()')xueli = tree.xpath('//ul/li//div[@class="job-labels-box"]/span[2]/text()')keyword = tree.xpath('//ul/li//div[@class="job-labels-box"]/span/text()')mi = min(len(position), len(addr), len(salary), len(company), len(scale), len(xueli), len(experience))with open('./date/' + name1.strip() + "/" + str(number) + '.csv', 'w', encoding='utf-8') as fs:for l in range(mi):new = position[l] + ',' + addr[l] + ',' + salary[l] + ',' + company[l] + ',' + scale[l]+','+experience[l]+','+xueli[l]+'\t\n'fs.write(new)fs.close()with open('./keyword.txt', 'a', encoding='utf-8') as fs:ne = ''for i in keyword:ne = ne + i + ' 'fs.write(ne)fs.close()base_url = ''
brower = share_brower()
brower.get('/')
brower.implicitly_wait(3)
page = brower.page_source
tree = etree.HTML(page)
name = tree.xpath('//ul[@class="sidebar float-left"]/li[1]//dd/a/text()')
url = tree.xpath('//ul[@class="sidebar float-left"]/li[1]//dd/a/@href')
for i in range(len(name)):if not os.path.exists('./date/'+name[i]):os.mkdir('./date/'+name[i]) #创建文件夹brower.get(base_url+url[i])brower.implicitly_wait(3)source = brower.page_sourcenumber = 1save(source, number, name[i])print(name[i])try:for j in range(9):element = brower.find_element_by_xpath('//div[@class="list-pagination-box"]//li[last()]/a')element.click()save(brower.page_source, number, name[i])number += 1except RuntimeError:print("*"*30+"有错误，但是可以执行的哦！！")continueelse:print("文件已经存在")os.rmdir('./date/'+name[i])continue
## //ul[@class="sidebar float-left"]/li[1]//dd/a/text() 相关职业
# //ul[@class="sidebar float-left"]/li[1]//dd/a/@href  对应的连接 每个连接底下都有十个页面 、爬取当中的数据
# 数据的存放 总共有49个类别的技术岗位 分别放在49个问价夹底下，文件夹以对应的职业命名 底下十个文件，每个文件表示每一页的数据
# ，文件的命名方式以1-10.csv ,保存的时候中间以逗号隔开，保存当当前的路径底下，然后爬取成功之后同意上传到大数据集
# 群的本地文件夹下面# //ul/li//div[@class="job-title-box"]/div[1]/text()  职位
# //ul/li//div[@class="job-title-box"]/div[2]/span[2]/text()  地址
# //ul/li//div[@class="job-detail-header-box"]/span/text()   薪资
# //ul/li//div[@class="job-company-info-box"]/span/text()   企业
# //ul/li//div[@class="job-company-info-box"]/div[@class="company-tags-box ellipsis-1"]
# /span[last()]/text() 公司规模
# //ul/li//div[@class="job-labels-box"]/span[1]/text()   工作经验
# //ul/li//div[@class="job-labels-box"]/span[2]/text()  招聘学历要求
# //ul/li//div[@class="job-labels-box"]/span/text()   //用正则将数据的后序删除掉，或者在hadoop当中处理
# //div[@class="list-pagination-box"]//li[last()] 下一页的标签 循环九次brower.quit()
# 最后退出

 最后结果为：

 每一层和里面的数据保存形式，都如上所述，后序通过简单的mapreduce实现数据的处理，上传至hdfs当中，下期继续。。。。