R語言爬蟲初嘗試-基於RVEST包學習

時間 2019-12-02

原文原文鏈接

在學完coursera的getting and Cleaning data後，繼續學習用R弄爬蟲網絡爬蟲。主要用的仍是Hadley Wickham開發的rvest包。再次給這位矜矜業業開發各類好用的R包的大神奉上膝蓋html

查閱資料以下：java

rvest的githubnode

rvest自身的幫助文檔git

rvest CSS Selector 網頁數據抓取的最佳選擇-戴申: 裏面有說起如何快速得到html的位置。看完這篇，想一想我以前看代碼看半天分段真是逗比。。經測試，遨遊瀏覽器，右鍵，審查元素能夠獲得相似結果。戴申的blog裏面還有若干相關文章，國內RVEST資料基本就靠他的BLOG了，感激！github

言歸正傳，拿了幾個網頁練手。包括對拉勾網爬了一下蟲，還嘗試了對國外某黃頁爬蟲，對ebay用戶評價爬蟲分析其賣家賣的東西主要在哪一個價格段（我查的那個賣家，賣8.99和39.99最多，鞋子類），作了一下文本挖掘，還有爬了一下股票數據，基金買入狀況等等。web

之因此放拉勾網爲例子，由於這個你們都比較熟一點？其餘的都有點小衆=_=並且雖然我沒有跳槽的心，但年初倒是不少人跳槽的熱點。另外，由於以前聽人說過，要了解一個公司的動態，有一個辦法是去看這個公司放出來的招聘崗位，能夠知道他們最近哪一個業務線要擴張了，哪一個業務線要跑人了，以及瞭解技術需求。正則表達式

rvest基礎語法：數據庫

library(rvest)
lagou<-"http://www.lagou.com/jobs/list_數據分析?kd=數據分析&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=深圳&requestId=&pn=3"
web<-html(lagou,encoding="UTF-8") #讀取數據，規定編碼
#以前我是用關鍵字搜索，閱讀html代碼，得到html_nodes裏須要什麼屬性，不過許多瀏覽器有開發者工具，能夠直接得到層級信息。如遨遊
position<-web %>% html_nodes("li div.hot_pos_l a") %>% html_text()
#上面就是直接讀取數據，得到位置信息
#不過在後面作其餘網站時發現，有時候信息儲存在同類數據裏(如div沒有class等等)，建議是找一個大的分類，先得到表格信息，再作數據
list_lagou<-web %>% html_nodes("li.clearfix")
#這裏正確找準正確的劃分點很重要。有瀏覽器

，其實用li.clearfix同樣能夠取(對於空格二選一，如"li.odd"或者"li.clearfix")
#接下來的company/position照選便可，由於事先已經分好了list，因此每個出多少內心有數。。

在講完原理以後，如今開始嘗試寫代碼

由於裏面涉及太多的選取數據工做。爲了不出現太多變量，我最後是編了一個函數，輸出數據庫

函數部分

#下面開始寫代碼,首先寫一個函數getdata，會輸出一個數據框
getdata<-function(page,urlwithoutpage){
        url=paste0(urlwithoutpage,page) #這裏輸入拉勾網沒有頁碼的url
        web<-html(url,encoding="UTF-8") #讀取數據，規定編碼,access用
        list_lagou<-web %>% html_nodes("li.clearfix") #得到一個清單，15個職位
        title<-list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_text()
        company<-list_lagou %>% html_nodes("div.hot_pos_r div.mb10 a")%>%html_text()
        link<-gsub("\\?source\\=search","",list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_attr("href"))
#接下來的因爲數據都存在span裏，沒有很好的劃分。這個取數要複雜一些。我在這裏，研究他們的表，先取15個完整list，而後用seq等序列取數
#以後要研究是否有更好的方法
#若是有table，能夠直接用data.table取數更快。。。
        temp<-list_lagou %>% html_nodes("div.hot_pos_l span")
        city<-temp[seq(1,90,by=6)] %>% html_text()
        salary<-gsub("月薪：","",temp[seq(2,90,by=6)]%>% html_text())
        year<-gsub("經驗：","",temp[seq(3,90,by=6)]%>% html_text())
        degree<-gsub("最低學歷：","",temp[seq(4,90,by=6)]%>%html_text())
        benefit<-gsub("職位誘惑：","",temp[seq(5,90,by=6)]%>% html_text())
        time<-temp[seq(6,90,by=6)]%>%html_text()
        data.frame(title,company,city,salary,year,degree,benefit,time,link)
}

而後是使用該函數，我這裏就爬兩頁

#使用該函數，
library(rvest)
url<-"http://www.lagou.com/jobs/list_數據分析?kd=數據分析&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=深圳&requestId=&pn="
final<-data.frame()
for (i in 3:5){
final<-rbind(final,getdata(i,url))
} #定義個數，把上面的getdata獲得的Data.frame合併
head(final)

上面完成了第一個列表。爬出效果如圖

關於這個數據有什麼用呢…… 簡單來講，咱們能夠用它來看這個網上有多少在招的，各公司招人的比例，以及薪資水平，作一點基礎的數據分析。

雖然我如今不跳槽，不過了解一下市場情況也是不錯的~譬如見下圖，從目前這網上的平均薪資與工做年限的關係來看，數據分析崗至少在職位前五年屬於薪資增加期，初始漲得快，後面漲得慢，但平均應有13%左右的增加？而後這網上目前沒有什麼高級崗位開出來（工做5-10年的崗位不多），反而是有些公司搞錯分類，放了一堆數據錄入的到數據分析欄目。。。

值得一提的是，由於數據分析這個類目裏包含了不一樣的類別，如數據錄入的也被歸到數據分析，還有高薪也被歸到這裏，因此不能徹底按這個作參考。不過這個研究讓我深入體會到了爬蟲的有效性！好玩！實用！能夠用到工做中去:) 還能夠像個獵頭同樣瞭解人才市場~~作個有情調的數據分析師~~

另外，其實咱們還能夠遍歷JD，看近期是什麼技術最吃香，是R仍是Python仍是SQL仍是SAS仍是別的啥啥啥。下面是我隨機抽了個JD作的爬蟲。能夠直接拿到相關數據。

final[1,9]
## [1] http://www.lagou.com/jobs/378361.html
## 45 Levels: http://www.lagou.com/jobs/113293.html ...
url<-as.character(final[1,9])
w<-html(url,encoding = "UTF-8")
d<-w %>% html_nodes("dd.job_bt p") %>% html_text()
d
## [1] "1.金融、計算機、財務、經濟相關專業；"
## [2] "2.有證券從業資格證者優先；"
## [3] "3.想從事文職類工做，對辦公軟件熟悉；"
## [4] "4.可接收已拿到學歷證的應屆畢業生。"
## [5] ""