Python爬蟲技術(shù)在高職計算機網(wǎng)絡(luò)技術(shù)專業(yè)市場調(diào)研中的應(yīng)用與實現(xiàn)

羅卓君 徐宇星

關(guān)鍵詞：Python；爬蟲；高職計算機網(wǎng)絡(luò)技術(shù)專業(yè)；市場調(diào)研

1項目需求

專業(yè)市場調(diào)研是保證專業(yè)教育教學與對應(yīng)產(chǎn)業(yè)深度融合、符合相關(guān)行業(yè)需求的核心工作基礎(chǔ)[1]。通過對高職計算機網(wǎng)絡(luò)技術(shù)崗位群[2]的分析，主要包括網(wǎng)絡(luò)售前技術(shù)支持、網(wǎng)絡(luò)售后技術(shù)支持、信息安全工程師、網(wǎng)絡(luò)管理工程師、網(wǎng)絡(luò)工程師、網(wǎng)站設(shè)計師、網(wǎng)絡(luò)系統(tǒng)集成工程師、數(shù)據(jù)庫管理工程師、網(wǎng)絡(luò)架構(gòu)師、系統(tǒng)工程師十個具體崗位。計算機網(wǎng)絡(luò)技術(shù)專業(yè)在撰寫調(diào)研專業(yè)報告時通過文獻調(diào)研、現(xiàn)場走訪調(diào)研、問卷調(diào)研、網(wǎng)絡(luò)調(diào)研等方法獲得了企業(yè)所需人才的相關(guān)數(shù)據(jù)，但數(shù)據(jù)量較小，參考價值有限。

5ljob“前程無憂”是中國具有廣泛影響力的人力資源服務(wù)供應(yīng)商[3]，國內(nèi)絕大部分企事業(yè)單位都會在此網(wǎng)站發(fā)布招聘信息，數(shù)據(jù)較為權(quán)威。如果能獲取5ljob網(wǎng)站上湖南省和全國的關(guān)于計算機網(wǎng)絡(luò)技術(shù)專業(yè)崗位的相關(guān)數(shù)據(jù)，并有一個較為直觀的展示，會為專業(yè)調(diào)研報告提供可靠的數(shù)據(jù)來源，對專業(yè)的培養(yǎng)方向、人才培養(yǎng)方案的制定有重要的參考價值。

本文希望通過編寫一個Python爬蟲系統(tǒng)（以下稱“本系統(tǒng)”），爬取5ljob網(wǎng)站計算機網(wǎng)絡(luò)技術(shù)專業(yè)對應(yīng)十個崗位的相關(guān)數(shù)據(jù)，并對數(shù)據(jù)進行清洗和可視化處理，以獲得人數(shù)需求量、薪資水平及學歷要求的直觀圖。

2關(guān)鍵技術(shù)分析

2.1爬蟲技術(shù)

Python中主要有urllib，urllib2，requests，aiohttp，Scrapy，pyspider等爬蟲庫。本系統(tǒng)采用requests庫，此模塊操作簡單、功能強大且高效o requests庫的核心功能是，向提供的網(wǎng)絡(luò)地址發(fā)出請求，返回網(wǎng)絡(luò)地址對應(yīng)頁面中所有信息的response對象，并將響應(yīng)的數(shù)據(jù)能永久存儲到文件中[4]。

2.2數(shù)據(jù)清洗技術(shù)

數(shù)據(jù)清洗是在爬蟲爬取數(shù)據(jù)之后，對數(shù)據(jù)進行分析處理，根據(jù)需求保留有意義的數(shù)據(jù)，是保障最終數(shù)據(jù)有效性和正確性的重要方法。Python中主要有numpy和pandas庫來實現(xiàn)數(shù)據(jù)清洗。本系統(tǒng)主要采用pandas庫。pandas庫能讀取csv，execel，mysql等類型的存儲文件，常用的數(shù)據(jù)結(jié)構(gòu)主要有series和DataFrame，提供了功能強大的方法，能靈活地獲取和處理存儲文件中的數(shù)據(jù)[5]。

2.3數(shù)據(jù)可視化技術(shù)

數(shù)據(jù)可視化處理是在獲取有效數(shù)據(jù)之后，把數(shù)據(jù)以圖表的形式呈現(xiàn)出來，讓數(shù)據(jù)具備更好的可讀性。Python中matplotlib，pygal，pyecharts等庫都能進行可視化處理。本系統(tǒng)采用的pyecharts庫支持鏈式調(diào)用，具備高度靈活的配置項，囊括30多種常見圖表，并能繪制具有一定交互功能的動態(tài)圖像[6]。

3項目實現(xiàn)

本系統(tǒng)使用PyCharm作為開發(fā)工具，Python作為開發(fā)語言，主要采用requests庫做爬蟲、pandas庫做數(shù)據(jù)清洗、pyecharts庫做可視化處理，這三個庫都是第三方庫，需要采用pip install庫進行安裝再使用。

3.1爬取與初步清洗數(shù)據(jù)

通過登錄5ljob網(wǎng)站，搜索到地區(qū)和相關(guān)崗位的網(wǎng)址后，進行網(wǎng)站數(shù)據(jù)的爬取與初步清洗。其中有4部分關(guān)鍵代碼。

（1）構(gòu)造url，headers，params，cookies四個參數(shù)的內(nèi)容。url參數(shù)是程序要爬取的地址，已知計算機網(wǎng)絡(luò)技術(shù)專業(yè)的十個崗位，通過登錄5ljob網(wǎng)站，搜索崗位及地區(qū)，獲取十個湖南省和十個全國的崗位鏈接地址，構(gòu)造湖南省和全國兩個url地址列表；Headers參數(shù)起到模擬瀏覽器的作用；params參數(shù)是在訪問url時攜帶的參數(shù)；cookies參數(shù)用于完成5ljob用戶驗證。

（2）使用get方法發(fā)送請求，返回response對象。具體代碼如下。

response=requests. get（url，headers=headers，params=params，cookies=cookies）

（3）使用response對象的text方法獲取響應(yīng)對象中的數(shù)據(jù)值，同時考慮到url列表中的地址如果有頁碼，使用循環(huán)讀取每頁數(shù)據(jù)。關(guān)鍵代碼如下。

（4）初步清洗數(shù)據(jù)，并存儲數(shù)據(jù)到CSV文件。這一步首先使用了pandas模塊的read_j son方法把獲取的數(shù)據(jù)轉(zhuǎn)成json格式，并用DataFame方法初步清洗數(shù)據(jù)，獲取需要的數(shù)據(jù)信息，最后把湖南省的招聘數(shù)據(jù)存儲到“zhaopin_湖南.csv”文件內(nèi)，全國的招聘數(shù)據(jù)存儲到“zhaopin_全國.CSV”文件內(nèi)。以湖南省招聘數(shù)據(jù)為例，關(guān)鍵代碼如下。

3.2清洗數(shù)據(jù)

在已有的csv文件的基礎(chǔ)上，進一步清洗數(shù)據(jù)，方便進行可視化處理。其中有5部分關(guān)鍵代碼。

（1）匹配崗位。通過re模塊的compile方法來匹配崗位。以信息安全崗位為例的關(guān)鍵代碼如下。

3.3可視化處理

數(shù)據(jù)清洗完成后，為了讓數(shù)據(jù)的可讀性更強，本系統(tǒng)使用pyecharts庫對數(shù)據(jù)進行可視化處理。根據(jù)數(shù)據(jù)的特性，崗位與人數(shù)需求采用柱狀圖，崗位與學歷要求采用餅圖，崗位與薪資水平采用折線圖，最終以網(wǎng)頁的形式展示出來。其中有4部分關(guān)鍵代碼。

（3）參數(shù)配置。參數(shù)配置根據(jù)具體的圖形各有區(qū)別，但基本分為添加坐標、全局配置和系列配置三個部分。以崗位與人數(shù)需求的柱狀圖為例，代碼如下。

通過可視化處理后，崗位與人數(shù)需求如圖1所示。崗位與學歷需求（由于崗位與學歷是以每個崗位一張圖，僅以信息安全崗位學歷需求為例）如圖2所示。全國崗位與薪資水平如圖3所示。

4結(jié)束語

本文通過Python的爬蟲模塊，爬取了5ljob網(wǎng)站內(nèi)計算機網(wǎng)絡(luò)技術(shù)專業(yè)對應(yīng)十個崗位在2021年12月的相關(guān)數(shù)據(jù)信息，并對數(shù)據(jù)進行清洗和可視化處理。通過數(shù)據(jù)結(jié)論圖表，能清晰地看到每個崗位在湖南省和全國分別需要的人數(shù)、薪資水平和學歷要求。本系統(tǒng)既為書寫專業(yè)調(diào)研報告打下了重要的數(shù)據(jù)基礎(chǔ)，還為選擇專業(yè)人才培養(yǎng)方向和制定人才培養(yǎng)方案提供了重要的參考價值。通過定期重新爬取、更新數(shù)據(jù)，可持續(xù)作為計算機網(wǎng)絡(luò)技術(shù)專業(yè)崗位數(shù)據(jù)信息的重要來源之一，稍作修改即可在其他專業(yè)進行推廣應(yīng)用。