利用词云描述招聘信息中数据分析师岗位的任职要求

利用词云描述招聘信息中数据分析师岗位的任职要求

项目基本流程

1.确认目标数据，利用python爬虫技术获取某招聘网站上数据分析师岗位的任职要求；
2.对获取的数据进行分词、去掉停留词处理，画出词云；

获取数据

导入需要的库

import requests
import lxml  
from bs4 import BeautifulSoup
import pandas as pd

head={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'}

获取所有详情页的url

def get_info(page):
    url_list = []
    for i in range(page):
        page=i+1
        ka='page'+'-'+str(i+1)
        url='https://www.zhipin.com/c101010100/h_101010100/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90%E5%B8%88&page={0}&sort=2&ka={1}'.format(page,ka)
        response=requests.get(url,headers=head)
        content=BeautifulSoup(response.text, 'lxml')
        all_a = content.find_all('div', class_='info-primary')
        for j in all_a:
            url_list.append('https://www.zhipin.com' + j.find('a')['href'])
    return url_list

获取详情页的源码，并存储至DataFrame中

content_list=[]
for url_detail in urls:
    response_detail=requests.get(url_detail,headers=head)
    content=response_detail.text.strip()
    content_list.append(content)

data=pd.DataFrame()
data['content']=content_list
data['url']=urls

data.head() #查看并确认获取到的数据是否正确

删除无效信息

drop_data=data[data.content.str.contains('为了您的账号安全，我们需要在执行操作之前验证您的身份，请输入验证码')]
for i in drop_data.index:
    data.drop(index=i,inplace=True)

从源码中获取需要的字段

job_titles=[]
wages=[]
com_names=[]
job_descs=[]
exps=[]
xls=[]
for i in range(len(data)):
    soup_content=BeautifulSoup(data.content[i],'lxml')
    job_title=soup_content.find('h1').text #职位名称
    wage=soup_content.find('span',class_='badge').text.strip() #工资
    com_name=soup_content.find('div',class_='info-company').find('h3').find('a').text #公司名称
    job_desc=soup_content.find('div',class_='text').text.strip() #工作描述
    job_req=soup_content.find('div', class_='info-primary').find('p').contents #要求
    exp=job_req[2][3:]#经验
    xl=job_req[4][3:]#学历
    job_titles.append(job_title)
    wages.append(wage)
    com_names.append(com_name)
    job_descs.append(job_desc)
    exps.append(exp)
    xls.append(xl)

将抽取的字段存储至DataFrame中

data_details=pd.DataFrame()
data_details['职位']=job_titles
data_details['工资']=wages
data_details['公司名称']=com_names
data_details['工作描述']=job_descs
data_details['经验']=exps
data_details['学历']=xls
data_details['url']=data['url']

将爬取得最终数据存储至csv文件中

data_details.to_csv(r'data_details.csv',sep=',',encoding ='gb18030')

画出词云

导入需要的库

import jieba  #分词
from wordcloud import WordCloud #词云
from wordcloud import STOPWORDS #停留词库
from PIL import Image  #导入图片，画个性化词云
import matplotlib.pyplot as plt #画图

读取目标文件，将目标字段改为列表

data_details=pd.read_csv('data_details.csv',sep=',',encoding ='gb18030')
data_jobdes=data_details.工作描述.tolist()

目标数据处理（分词、去掉停留词）

words=[]
for content in data_jobdes:
    seg=jieba.lcut(content)
    for word in seg:
        if word=='\n'or len(word)<=1:
            continue
        elif word in STOPWORDS:
            continue 
        else:
            words.append(word.lower())

计算词频

words_count=word_clean.groupby(by=['word_clean'])['word_clean'].count().to_frame()  
words_count.rename(columns={'word_clean':'counts'},inplace=True)
word_count_sort=words_count.reset_index().sort_values(by=['counts'],ascending=False)

将词频设置为字典格式

word_freq_dict={}
for i in word_count_sort.values:
    word_freq_dict[i[0]]=i[1]

画词云

pic=np.array(Image.open(r'./pic1.jpg'))  #设置背景图片，并将图片用数组表示
plt.rcParams['figure.figsize']=(30,15) #设置画布大小
#绘制词云的基本参数
my_cloud=WordCloud(
font_path='C:/Windows/Fonts/simkai.ttf',  #字体格式
width=400,
height=200,
background_color='white',
mask=pic)
cloud_pic=my_cloud.fit_words(word_freq_dict)
#显示词云
plt.imshow(cloud_pic,interpolation='bilinear') #设置图像清晰度，interpolation插值：双线性、最近邻
plt.axis('off')
plt.savefig(r'./cat_wordcloud.jpg')
plt.show()