商业数据分析从入门到入职（9）Python网络数据获取

本是古典何须时尚 2022-12-11 15:05 416阅读 0赞

### 文章目录 ###

*  前言
 *  一、网络和网页基础知识
 *   *  1.数据来源
     *  2.网络基础知识
     *  3.HTML、CSS和网页数据抓取方式
 *  二、BOSS直聘数据抓取案例
 *   *  1.网站预览
     *  2.数据获取
     *  3.提取列表信息
     *  4.获取职位详情数据
     *  5.词频统计和词云展示
 *  三、王者荣耀列表整合案例
 *   *  1.获取JSON数据
     *  2.获取网页英雄信息
     *  3.数据整合
     *  4.建立索引
 *  总结

# 前言 #

本文主要讲Python最常见的应用之一——网络数据获取，即爬虫：  
先介绍了网页和网络的基础知识，为从网页中获取数据打好基础；接下来以两个案例介绍从网络中获取数据和处理数据的不同方式，以进一步认识Python爬虫和数据处理。

# 一、网络和网页基础知识 #

## 1.数据来源 ##

数据源有很多，可以从**数据库**中获取，可以从**文件**中获取，也可以从**网络**中获取，也可以直接获取裸数据。

数据库数据来源有很多，比如**RDBMS**，即关系数据库管理系统，属于结构化数据，具体包括MySQL、PostgreSQL、SQLServer、Oracle、SQLite等数据库类型。

数据文件包括：

*  Excel  
    最常见，最有问题。
 *  分隔格式  
    最常见、最受欢迎。  
    包括**逗号分隔符**（csv）、制表符分隔符（tsv）、|分隔符等形式。  
    问题包括数据字段中的分隔、编码等。  
    如下：  
    ![data file csv][]
 *  固定长度  
    每一列都有固定长度。  
    问题：列过大。  
    如下：  
    ![data file fixed][]
 *  JSON  
    即JavaScript Object Notation（JavaScript对象表示法）的简写，属于半结构化数据。  
    属性位于冒号的左侧，数值位于冒号右侧，属性用逗号分隔，多值属性作为层次值。  
    如下：  
    ![data file json][]
 *  XML  
    Extensible Markup Language（可扩展标记语言）的简写，属于半结构化数据，也是最常见的数据交换。  
    如下：  
    ![data file xml][]
 *  Parquet  
    列存储，Spark。  
    如下：  
    ![data file parquet][]

网络数据:  
主要为HTML，为非结构化数据。  
如下：  
![data web html][]

## 2.网络基础知识 ##

网络数据传输，一般是先**请求**、再**响应**，中间可能经过很多次层转发，计算机理论的**OSI模型**如下：  
![data computer web osi][]

每一层的过程可能如下：  
![data computer web layer][]  
现在一般的网站模式为**客户端/服务器**，客户端一般即为自己所使用的浏览器，服务器是存储网站资源、管理网络请求的平台。

一般的请求过程如下：  
（1）用户输入URL；  
（2）客户端发送请求Request；  
（3）服务器接收请求Request；  
（4）服务器返回响应Response Back；  
（5）客户端接收并解析Response。

对于一个url，如[https://127.0.0.1:8000/hello][https_127.0.0.1_8000_hello]，`http`表示协议，`127.0.0.1`表示主机号，`8000`是端口号，`/hello`是路径，从而可以精确定位到要访问的信息。

使用浏览器访问网站的基本操作如下：  
![data web browser basic][]

可以看到，在进行搜索和筛选时，链接也会有所变化，以向浏览器请求不同的内容。

还可以使用浏览器的审计工具，可以查看**页面元素**、**网络请求**、**样式**等。  
如下：  
![data web browser dev][]

可以看到，页面中的内容都是通过很多标签和样式组织起来的，这就是HTML代码；  
同时在请求和相应的时候，都携带了很多参数。

进一步使用审计工具如下：  
![data web browser dev deep][]

可以看到，可以通过设置实现模拟不同的设备进行请求，此时请求参数的`User-Agent`参数也随之变化。

一个HTTP请求包括请求方法、请求路径和HTTP版本，一个HTTP响应包括HTTP版本、状态码和响应体。

## 3.HTML、CSS和网页数据抓取方式 ##

网页是由HTML代码组成的，信息一般包含在这些代码中；  
CSS是一些样式文件，对于获取数据影响不大；  
JavaScript代码可以执行一些更复杂的逻辑，对获取数据的影响可能比较大。

一个简单的HTML代码如下：

<!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Title</title>
    </head>
    <body>
        <h1>首页</h1>
        <form action="" method="post">
            <table>
                <tr>
                    <td><input type="text" name="name"></td>
                    <td><input type="submit" value="提交"></td>
                </tr>
            </table>
        </form>
    </body>
    </html>

网页抓取一般有两种方式：

*  **逐行扫描**Line by Line  
    包括**简单字符串**处理和**正则表达式**方式等。  
    正则表达式是一个特殊的字符序列，它能方便检查一个字符串是否与某种模式匹配，Python中的re模块使Python拥有全部的正则表达式功能，其中，正则表达式的原理如下：  
    ![data web re principal][]
    
    具体使用可参考[https://www.runoob.com/python/python-reg-expressions.html][https_www.runoob.com_python_python-reg-expressions.html]。
 *  **树形模型**Tree Model  
    利用HTML的树形结构来获取HTML中的信息，包括BeautifulSoup、lxml等库支持该功能。  
    网络请求HTML并展示为树形结构的过程如下：  
    ![data web html get show][]

例如，对于以下案例代码：  
![data web html demo][]

其中，date数据为`Sep 13, 2014`，message数据为`i didnt know that`。

如果使用正则表达式提取这两个数据，方式为`<h2>(.+)<\/h2>`和`<\/span>(.+)<\/li>`；  
而使用属性模型如BeautifulSoup提取数据，会建立如下的结构：  
![data web html demo tree][]

从而，提取数据的方式为`div.h2.text`和`div.ul.li.text`。

# 二、BOSS直聘数据抓取案例 #

## 1.网站预览 ##

以BOSS直聘[https://www.zhipin.com/][https_www.zhipin.com]为例，实现较完整的网络数据抓取的过程。

网站预览如下：  
![data web boss review][]

可以看到，在查看器中选择一定的HTML代码区域，页面中也会有相应的高亮显示，说明需要获取的数据也就在这些对应的HTML代码中；  
每一条结果的位置为class为job-list的div下面的ul下面的li下面的class为job-primary的div，有多少条职位信息就有多少个li，其中一个li的内容如下：

可以看到，所需要的信息都在这些代码中。

还可以在页面中获取职位描述，如下：  
![data web boss review description][]

并且进一步获取到完整的HTML代码如下：

<li>
    
        <div class="job-primary">
    
    
            <div class="info-primary">
                <div class="primary-wrapper">
                    <div class="primary-box" href="/job_detail/7271f2f28169375a1nR42t-6GFpQ.html?ka=search_list_1" data-jid="7271f2f28169375a1nR42t-6GFpQ" data-itemid="1" data-lid="nlp-aqyTkPDQjXA.search.1" data-jobid="102127880" data-index="0" ka="search_list_1" target="_blank">
                        <div class="job-title">
                            <span class="job-name"><a href="/job_detail/7271f2f28169375a1nR42t-6GFpQ.html" title="数据分析" target="_blank" ka="search_list_jname_1" data-jid="7271f2f28169375a1nR42t-6GFpQ" data-itemid="1" data-lid="nlp-aqyTkPDQjXA.search.1" data-jobid="102127880" data-index="0">数据分析</a></span>
                            <span class="job-area-wrapper">
                                <span class="job-area">北京·朝阳区·鸟巢</span>
                            </span>
                            <span class="job-pub-time"></span>
                        </div>
                        <div class="job-limit clearfix">
                            <span class="red">50-80K·14薪</span>
                            <p>3-5年<em class="vline"></em>本科</p>
                            <div class="info-publis">
                                <h3 class="name"><img class="icon-chat" src="https://z.zhipin.com/web/geek/resource/icon-chat-v2.png">曹先生<em class="vline"></em>数据挖掘</h3>
                            </div>
                            <button class="btn btn-startchat" href="javascript:;" data-url="/wapi/zpgeek/friend/add.json?jobId=7271f2f28169375a1nR42t-6GFpQ&lid=nlp-aqyTkPDQjXA.search.1" redirect-url="/web/geek/chat?id=495f7159c0c8664a1nFz39m8EA~~">
                                <img class="icon-chat icon-chat-hover" src="https://z.zhipin.com/web/geek/resource/icon-chat-hover-v2.png" alt="">
                                <span>立即沟通</span>
                            </button>
                        </div>
                        <div class="info-detail" style="top: -307.1px;">
                            <div class="info-detail-top">
                                <div class="detail-top-left">
                                    <div class="detail-top-title">数据分析</div>
                                    <div class="detail-top-text">京东集团 · 数据挖掘： 曹先生</div>
                                    <a href="javascript:;" ka="popjob_interest_tosign_7271f2f28169375a1nR42t-6GFpQ" data-url="/geek/tag/jobtagupdate.json?jobId=7271f2f28169375a1nR42t-6GFpQ&expectId=&tag=4&lid=nlp-aqyTkPDQjXA.search.1" class="link-like " job-id="495f7159c0c8664a1nFz39m8EA~~">感兴趣</a>
                                </div>
                                <div class="detail-top-right detail-top-right2">
                                    <div class="code-des">扫一扫，随时与BOSS开聊</div>
                                    <div class="code-icon"></div>
                                </div>
                            </div>
                            <div class="detail-bottom">
                                <div class="detail-bottom-title">职位描述</div>
                                <div class="detail-bottom-text">
                                    职位描述<br>1、 分析研究用户画像，通过对海量数据的分析挖掘，提取用户特征、行为轨迹；<br>2、 参与算法研发工作，提升算法系统的性能和业务指标；<br>3、
                                    梳理、对接不同业务线的临时数据需求，并抽象出定制化数据产品； <br>4、 结合项目需求，综合利用京东商城数据，搭建定制化指数模型；<br>5、
                                    负责为产品运营提供数据分析支持，如产品分析、用户分析、运营分析等，并根据分析结果提出可落地的策略建议；<br>6、
                                    积极推进跨部门合作，配合各类项目如期保质保量实施执行。<br>岗位要求<br>1、 本科及以上学历，统计学、数据、计算机相关专业优先考虑；<br>2、
                                    两年及以上互联网数据分析从业经历，有电商类公司经验者优先，有综合指数构建经验者优先；<br>3、
                                    能独立进行数据处理，撰写专项分析报告，掌握常用的分类、聚类、预测、关联规则、序列模式等挖掘算法；<br>4、
                                    学习能力强，具备良好的沟通能力，能充分理解业务逻辑和目的，有清晰的数据分析思路和方法；<br>5、
                                    数据敏感度高，善于从数据中发现问题，并可给出一定的解决方案；<br>6、
                                    精通SQL、EXCEL，熟悉SPSS、SAS、Clementine、R、python等任一种专业数据分析工具，有Hadoop、Hive、Spark等使用经验者优先。<br>7、
                                    有回归、聚类、分类、神经网络、NLP、最优化理论等相关理论基础和项目应用者优先
                                </div>
                            </div>
                        </div>
                    </div>
                </div>
                <div class="info-company">
                    <div class="company-text">
                        <h3 class="name"><a href="/gongsi/33e052361693f8371nF-3d25.html" title="京东集团招聘" ka="search_list_company_1_custompage" target="_blank">京东集团</a></h3>
                        <p><a href="/i100001/" class="false-link" target="_blank" ka="search_list_company_industry_1_custompage" title="电子商务行业招聘信息">电子商务</a><em class="vline"></em>已上市<em class="vline"></em>10000人以上</p>
                    </div>
                    <a href="/gongsi/33e052361693f8371nF-3d25.html" ka="search_list_company_1_custompage_logo" target="_blank"><img class="company-logo" src="https://img.bosszhipin.com/beijin/mcs/bar/20191129/3cdf5ba2149e309b38868b62ae9c22cabe1bd4a3bd2a63f070bdbdada9aad826.jpg?x-oss-process=image/resize,w_100,limit_0" alt=""></a>
                </div>
            </div>
            <div class="info-append clearfix">
                <div class="tags">
                    <span class="tag-item">Excel</span>
                    <span class="tag-item">SPSS</span>
                    <span class="tag-item">Python</span>
                    <span class="tag-item">数据挖掘</span>
                    <span class="tag-item">数据仓库</span>
                </div>
                <div class="info-desc">补充医疗保险，节日福利，定期体检，年终奖，餐补，交通补助，免费班车，包吃，股票期权，员工旅游，零食下午茶，五险一金，带薪年假</div>
            </div>
        </div>
    
    </li>

还可以进一步访问职位详情如下：  
![data web boss review list][]

## 2.数据获取 ##

先导入所需要的库，如下：

## Import the necessary packages
    from bs4 import BeautifulSoup as bs
    import urllib
    import re
    import pandas as pd
    import requests

> 如需本节同步`ipynb`和数据文件，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] 在群文件夹**商业数据分析从入门到入职**中下载即可。

使用requests库模拟请求：

response = requests.get('https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&city=100010000&industry=&position=')

获取返回的相应内容，如下：

display(response.content[:300], response.text, response.encoding)

输出：

b'<!DOCTYPE html>\n<html>\n <head>\n <meta charset="utf-8" />\n <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1" />\n <meta name="viewport" content="width=device-width, initial-scale=1.0, maximum-scale=1.0, minimum-scale=1.0, user-scalable=no" />\n <title>\xe8\xaf\xb7\xe7\xa8\x8d\xe5\x90'
    
    '<!DOCTYPE html>\n<html>\n <head>\n <meta charset="utf-8" />\n <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1" />\n <meta name="viewport" content="width=device-width, initial-scale=1.0, maximum-scale=1.0, minimum-scale=1.0, user-scalable=no" />\n <title>è¯·ç¨\x8då\x90\x8e</title>\n <style>\n html,\n body {\n margin: 0;\n width: 100%;\n height: 100%;\n }\n @keyframes bossLoading {\n 0% {\n transform: translate3d(0, 0, 0);\n }\n 50% {\n transform: translate3d(0, -10px, 0);\n }\n }\n .data-tips {\n text-align: center;\n height: 100%;\n position: relative;\n background: #fff;\n top: 50%;\n margin-top: -37px;\n }\n .data-tips .boss-loading {\n width: 100%;\n }\n .data-tips .boss-loading p {\n margin-top: 10px;\n color: #9fa3b0;\n }\n .boss-loading .component-b,\n .boss-loading .component-s1,\n .boss-loading .component-o,\n .boss-loading .component-s2 {\n display: inline-block;\n width: 40px;\n height: 42px;\n line-height: 42px;\n font-family: Helvetica Neue,Helvetica,Arial,Hiragino Sans GB,Hiragino Sans GB W3,Microsoft YaHei UI,Microsoft YaHei,WenQuanYi Micro Hei,sans-serif;\n font-weight: bolder;\n font-size: 40px;\n color: #eceef2;\n vertical-align: top;\n -webkit-animation-fill-mode: both;\n -webkit-animation: bossLoading 0.6s infinite linear alternate;\n -moz-animation: bossLoading 0.6s infinite linear alternate;\n animation: bossLoading 0.6s infinite linear alternate;\n }\n .boss-loading .component-o {\n -webkit-animation-delay: 0.1s;\n -moz-animation-delay: 0.1s;\n animation-delay: 0.1s;\n }\n .boss-loading .component-s1 {\n -webkit-animation-delay: 0.2s;\n -moz-animation-delay: 0.2s;\n animation-delay: 0.2s;\n }\n .boss-loading .component-s2 {\n -webkit-animation-delay: 0.3s;\n -moz-animation-delay: 0.3s;\n animation-delay: 0.3s;\n }\n </style>\n </head>\n <body>\n <div class="data-tips">\n <div class="tip-inner">\n <div class="boss-loading">\n <span class="component-b">B</span><span class="component-o">O</span><span class="component-s1">S</span><span class="component-s2">S</span>\n <p class="gray">æ\xad£å\x9c¨å\x8a\xa0è½½ä¸\xad...</p>\n </div>\n </div>\n </div>\n <script>\n var securityPageName="securityCheck";!function(){var a=new Image;a.src="https://t.zhipin.com/f.gif?pk="+securityPageName+"&r="+document.referrer}(),function(){function e(c){var l,m,n,o,p,q,r,e=function(){var a=location.hostname;return"localhost"===a||/^(\\d+\\.){3}\\d+$/.test(a)?a:"."+a.split(".").slice(-2).join(".")}(),f=function(a,b){var f=document.createElement("script");f.setAttribute("type","text/javascript"),f.setAttribute("charset","UTF-8"),f.οnlοad=f.onreadystatechange=function(){d&&"loaded"!=this.readyState&&"complete"!=this.readyState||b()},f.setAttribute("src",a),"IFRAME"!=c.tagName?c.appendChild(f):c.contentDocument?c.contentDocument.body?c.contentDocument.body.appendChild(f):c.contentDocument.documentElement.appendChild(f):c.document&&(c.document.body?c.document.body.appendChild(f):c.document.documentElement.appendChild(f))},g=function(a){var b=new RegExp("(^|&)"+a+"=([^&]*)(&|$)"),c=window.location.search.substr(1).match(b);return null!=c?unescape(c[2]):null},h={get:function(a){var b,c=new RegExp("(^| )"+a+"=([^;]*)(;|$)");return(b=document.cookie.match(c))?unescape(b[2]):null},set:function(a,b,c,d,e){var g,f=a+"="+encodeURIComponent(b);c&&(g=new Date(c).toGMTString(),f+=";expires="+g),f=d?f+";domain="+d:f,f=e?f+";path="+e:f,document.cookie=f}},i=function(a){window.location.replace(a)},j=function(a,c){c||a.indexOf("security-check.html")>-1?i(c):i(a);var d=new Image;d.src="https://t.zhipin.com/f.gif?pk="+securityPageName+"&ca=securityCheckJump_"+Math.round(((new Date).getTime()-b)/1e3)+"&r="+document.referrer};window.location.href,l=g("seed")||"",m=g("ts"),n=g("name"),o=g("callbackUrl"),p=g("srcReferer")||"","null"!==n&&l&&n&&o||(q=new Image,q.src="https://t.zhipin.com/f.gif?pk="+securityPageName+"&ca=securityCheckUrlFile&url="+window.location.href),l&&m&&n&&(r=setInterval(function(){a++,a>5&&clearInterval(r);var c=new Image;c.src="https://t.zhipin.com/f.gif?pk="+securityPageName+"&ca=securityCheckTimer_"+Math.round(((new Date).getTime()-b)/1e3)+"&r="+document.referrer},1e4),f("security-js/"+n+".js",function(){var n,a=(new Date).getTime()+2304e5,d="",f={},g=window.ABC||c.contentWindow.ABC;try{d=(new g).z(l,parseInt(m)+1e3*60*(480+(new Date).getTimezoneOffset()))}catch(k){}d&&o?(h.set("__zp_stoken__",d,a,e,"/"),"undefined"!=typeof window.wst&&"function"==typeof wst.postMessage&&(f={name:"setWKCookie",params:{url:e,name:"__zp_stoken__",value:encodeURIComponent(d),expiredate:a,path:"/"}},window.wst.postMessage(JSON.stringify(f))),j(p,o)):(n=new Image,n.src="https://t.zhipin.com/f.gif?pk="+securityPageName+"&ca=securityCheckNoCode_"+Math.round(((new Date).getTime()-b)/1e3)+"&r="+document.referrer,i("/"))}))}function j(a){if(!f&&!g&&document.addEventListener)return document.addEventListener("DOMContentLoaded",a,!1);if(!(h.push(a)>1))if(f)!function(){try{document.documentElement.doScroll("left"),i()}catch(a){setTimeout(arguments.callee,0)}}();else if(g)var b=setInterval(function(){/^(loaded|complete)$/.test(document.readyState)&&(clearInterval(b),i())},0)}var d,f,g,h,i,a=0,b=(new Date).getTime(),c=window.navigator.userAgent;c.indexOf("MSIE ")>-1&&(d=!0),f=!(!window.attachEvent||window.opera),g=/webkit\\/(\\d+)/i.test(navigator.userAgent)&&RegExp.$1<525,h=[],i=function(){for(var a=0;a<h.length;a++)h[a]()},j(function(){var b,a=window.navigator.userAgent.toLowerCase();return"micromessenger"==a.match(/micromessenger/i)||"wkwebview"==a.match(/wkwebview/i)?(e(document.getElementsByTagName("head").item(0)),void 0):(b=document.createElement("iframe"),b.style.height=0,b.style.width=0,b.style.margin=0,b.style.padding=0,b.style.border="0 none",b.name="zhipinFrame",b.src="about:blank",b.attachEvent?b.attachEvent("onload",function(){e(b)}):b.οnlοad=function(){e(b)},(document.body||document.documentElement).appendChild(b),void 0)})}();\n\n var _hmt = _hmt || [];\n (function() {\n var hm = document.createElement("script");\n hm.src = "https://hm.baidu.com/hm.js?194df3105ad7148dcf2b98a91b5e727a";\n var s = document.getElementsByTagName("script")[0];\n s.parentNode.insertBefore(hm, s);\n })();\n </script>\n </body>\n</html>\n'
    
    'ISO-8859-1'

其中，`response.content`用来获取相应的原始内容，`response.text`用来获取经过编码渲染后的内容，`response. encoding`是用于获取编码方式的。

但是显然，页面信息并没有显示完整，这是因为一般请求并不只是传入链接，还有一些其他的请求信息，如User-Agent、Referer、Cookie等。  
如下：

header = { 
        'Cookie': 'lastCity=100010000; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1601602464; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1601603899; __zp_stoken__=cb83bGgJhaiViDXQAITlxUxFkf1pCNVEpEwUhZztsI15sAmVWQCkEKnUxcRpDISgGPFcSd0wHd11lKGM1Pn80J0RbEhEvayU6GXYcUwQVSThRFWM6IQ4gLwRCG2wAHE59OgYYZFcOBlsQA3VWJQ%3D%3D; __c=1601602461; __l=l=%2Fwww.zhipin.com%2F&r=&g=&friend_source=0&friend_source=0; __a=80430348.1601602461..1601602461.7.1.7.7',
        'Host': 'www.zhipin.com',
        'Referer': 'https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&city=100010000&industry=&position=',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:78.0) Gecko/20100101 Firefox/78.0'
    }
    res = requests.get('https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&city=100010000&industry=&position=', headers=header)
    res.text

此时输出的信息更加完整。

同时还可以将请求到的内容保存到文件中，如下：

html_file = open('bosspage.html','w', encoding='utf-8')
    html_file.write(res.text)
    html_file.close()

运行后，可以看到当前目录下已经多了一个文件bosspage.html，也可以在浏览器中打开该文件，页面是和之前的页面一样的效果，所需要的信息也保存在HTML代码中。

## 3.提取列表信息 ##

有了网页代码之后，就可以提取信息了，之前是用字符串方式提取字符串的，现在选择BeautifulSoup来选择所需要的信息。

简单使用如下：

html = """ <html><head><title>The Dormouse's title</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> </body> </html> """
    
    soup_first = bs(html, 'html.parser')
    soup_first.prettify()

输出：

'<html>\n <head>\n <title>\n The Dormouse\'s title\n </title>\n </head>\n <body>\n <p class="title" name="dromouse">\n <b>\n The Dormouse\'s story\n </b>\n </p>\n <p class="story">\n Once upon a time there were three little sisters; and their names were\n <a class="sister" href="http://example.com/elsie" id="link1">\n \n </a>\n ,\n <a class="sister" href="http://example.com/lacie" id="link2">\n Lacie\n </a>\n and\n <a class="sister" href="http://example.com/tillie" id="link3">\n Tillie\n </a>\n ;\nand they lived at the bottom of a well.\n </p>\n <p class="story">\n ...\n </p>\n </body>\n</html>\n'

可以获取标签中所有的文本，如下：

soup_first.text

输出：

"\nThe Dormouse's title\n\nThe Dormouse's story\nOnce upon a time there were three little sisters; and their names were\n,\nLacie and\nTillie;\nand they lived at the bottom of a well.\n...\n\n\n"

也可以获取标签的属性，如下：

all_a = soup_first.find_all("a")
    all_a[0]["href"]

输出：

'http://example.com/elsie'

可以看到，获取到了a标签的href属性，即链接。

还可以获取所有链接，如下：

[a['href'] for a in soup_first.find_all("a")]

输出：

['http://example.com/elsie',
     'http://example.com/lacie',
     'http://example.com/tillie']

还有其他一些用法：

display(soup_first.title,soup_first.head,soup_first.a,soup_first.p.string,soup_first.find_all("a"))

输出：

<title>The Dormouse's title</title>
    
    <head><title>The Dormouse's title</title></head>
    
    <a class="sister" href="http://example.com/elsie" id="link1"></a>
    
    "The Dormouse's story"
    
    [<a class="sister" href="http://example.com/elsie" id="link1"></a>,
     <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
     <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

使用BOSS直聘页面对BeautifulSoup进行初始化：

soup = bs(res.text, 'lxml')
    soup.prettify()

定位到所需要的信息，如下：

all_jobs = soup.find_all("div", class_="job-primary")
    all_jobs[0]

输出：

<div class="job-primary">
    <div class="info-primary">
    <div class="primary-wrapper">
    <div class="primary-box" data-index="0" data-itemid="1" data-jid="7271f2f28169375a1nR42t-6GFpQ" data-jobid="102127880" data-lid="nlp-arJU8s0LBOW.search.1" href="/job_detail/7271f2f28169375a1nR42t-6GFpQ.html" ka="search_list_1" target="_blank">
    <div class="job-title">
    <span class="job-name"><a data-index="0" data-itemid="1" data-jid="7271f2f28169375a1nR42t-6GFpQ" data-jobid="102127880" data-lid="nlp-arJU8s0LBOW.search.1" href="/job_detail/7271f2f28169375a1nR42t-6GFpQ.html" ka="search_list_jname_1" target="_blank" title="数据分析">数据分析</a></span>
    <span class="job-area-wrapper">
    <span class="job-area">北京·朝阳区·鸟巢</span>
    </span>
    <span class="job-pub-time"></span>
    </div>
    <div class="job-limit clearfix">
    <span class="red">50-80K·14薪</span>
    <p>3-5年<em class="vline"></em>本科</p>
    <div class="info-publis">
    <h3 class="name"><img class="icon-chat" src="https://z.zhipin.com/web/geek/resource/icon-chat-v2.png"/>曹先生<em class="vline"></em>数据挖掘</h3>
    </div>
    <button class="btn btn-startchat" data-url="/wapi/zpgeek/friend/add.json?jobId=7271f2f28169375a1nR42t-6GFpQ&lid=nlp-arJU8s0LBOW.search.1" href="javascript:;" redirect-url="/web/geek/chat?id=495f7159c0c8664a1nFz39m8EA~~">
    <img alt="" class="icon-chat icon-chat-hover" src="https://z.zhipin.com/web/geek/resource/icon-chat-hover-v2.png"/>
    <span>立即沟通</span>
    </button>
    </div>
    <div class="info-detail"></div>
    </div>
    </div>
    <div class="info-company">
    <div class="company-text">
    <h3 class="name"><a href="/gongsi/33e052361693f8371nF-3d25.html" ka="search_list_company_1_custompage" target="_blank" title="京东集团招聘">京东集团</a></h3>
    <p><a class="false-link" href="/i100001/" ka="search_list_company_industry_1_custompage" target="_blank" title="电子商务行业招聘信息">电子商务</a><em class="vline"></em>已上市<em class="vline"></em>10000人以上</p>
    </div>
    <a href="/gongsi/33e052361693f8371nF-3d25.html" ka="search_list_company_1_custompage_logo" target="_blank"><img alt="" class="company-logo" src="https://img.bosszhipin.com/beijin/mcs/bar/20191129/3cdf5ba2149e309b38868b62ae9c22cabe1bd4a3bd2a63f070bdbdada9aad826.jpg?x-oss-process=image/resize,w_100,limit_0"/></a>
    </div>
    </div>
    <div class="info-append clearfix">
    <div class="tags">
    <span class="tag-item">Excel</span>
    <span class="tag-item">SPSS</span>
    <span class="tag-item">Python</span>
    <span class="tag-item">数据挖掘</span>
    <span class="tag-item">数据仓库</span>
    </div>
    <div class="info-desc">补充医疗保险，节日福利，定期体检，年终奖，餐补，交通补助，免费班车，包吃，股票期权，员工旅游，零食下午茶，五险一金，带薪年假</div>
    </div>
    </div>

可以看到，这是一条职位的详细信息。

先对一条职位信息进行提取：

base_boss_url ="https://www.zhipin.com"
    job_link= base_boss_url + all_jobs[0].a["href"]
    job_title = all_jobs[0].a.text
    job_salary = all_jobs[0].find('span',class_='red').text
    other_detail = all_jobs[0].find("div", class_="info-detail").text
    company_url = base_boss_url + all_jobs[0].select(".info-company")[0].a["href"]
    company = all_jobs[0].select(".info-company")[0].a.text
    company_info = all_jobs[0].select(".info-company")[0].p.text
    publish_info = all_jobs[0].find("div",class_="info-publis").h3.text
    
    "{}-{}-{}-{}-{}-{}-{}-{}".format(job_link,job_title,job_salary,other_detail,company_url,company,company_info,publish_info)

输出：

'https://www.zhipin.com/job_detail/7271f2f28169375a1nR42t-6GFpQ.html-数据分析-50-80K·14薪--https://www.zhipin.com/gongsi/33e052361693f8371nF-3d25.html-京东集团-电子商务已上市10000人以上-曹先生数据挖掘'

显然，已经提取出1个职位的详情信息。

进一步通过for循环提取当前页中所有职位的信息，如下：

jobs_index = []
    for job_ in all_jobs:
        job_link= base_boss_url + job_.a["href"]
        job_title = job_.a.text
        job_salary = job_.find('span',class_='red').text
        other_detail = job_.find("div", class_="info-detail").text
        company_url = base_boss_url + job_.select(".info-company")[0].a["href"]
        company = job_.select(".info-company")[0].a.text
        company_info = job_.select(".info-company")[0].p.text
        publish_info = job_.find("div",class_="info-publis").h3.text
        jobs_index.append([job_link,job_title,job_salary,other_detail,company_url,company,company_info,publish_info])
        
    jobs_index

输出：

[['https://www.zhipin.com/job_detail/7271f2f28169375a1nR42t-6GFpQ.html',
      '数据分析',
      '50-80K·14薪',
      '',
      'https://www.zhipin.com/gongsi/33e052361693f8371nF-3d25.html',
      '京东集团',
      '电子商务已上市10000人以上',
      '曹先生数据挖掘'],
     ['https://www.zhipin.com/job_detail/1fe1d55e100e19d43nR509m-E1Q~.html',
      '数据分析',
      '18-35K·15薪',
      '',
      'https://www.zhipin.com/gongsi/918159f26789c3891nV53dQ~.html',
      '小红书',
      '互联网D轮及以上1000-9999人',
      '刘先生商业数据中台'],
     ['https://www.zhipin.com/job_detail/4423d7c2eda602351nR-09u0EVs~.html',
      '数据分析',
      '25-40K·16薪',
      '',
      'https://www.zhipin.com/gongsi/fa2f92669c66eee31Hc~.html',
      'BOSS直聘',
      '人力资源服务D轮及以上1000-9999人',
      '艾力凡先生数据分析'],
     ['https://www.zhipin.com/job_detail/9c2e41ed166d74bd03J-29u0F1s~.html',
      '商业数据分析',
      '25-40K·15薪',
      '',
      'https://www.zhipin.com/gongsi/980f48937a13792b1nd63d0~.html',
      '滴滴出行',
      '移动互联网D轮及以上1000-9999人',
      '王先生商业分析高级经理'],
     ['https://www.zhipin.com/job_detail/27d069780b8cc5c53nV62dS8EFE~.html',
      '数据分析岗',
      '20-40K·14薪',
      '',
      'https://www.zhipin.com/gongsi/6e19637143bd80ad1HV_3N26GQ~~.html',
      '建信金科',
      '银行不需要融资1000-9999人',
      '王先生架构师/研究员'],
     ...
     ['https://www.zhipin.com/job_detail/4c408eec4076e9d80nV73NW5FVU~.html',
      '数据分析师',
      '30-50K·16薪',
      '',
      'https://www.zhipin.com/gongsi/ea9c5680f57d53d71HV90ty5.html',
      '拼多多',
      '移动互联网已上市1000-9999人',
      '王女士商业化部数据团队leader'],
     ['https://www.zhipin.com/job_detail/9f44d60c7097321033142tu4FVI~.html',
      '业务数据分析',
      '20-30K',
      '',
      'https://www.zhipin.com/gongsi/92674acda23901841nd_292-EQ~~.html',
      '车好多集团',
      '互联网D轮及以上10000人以上',
      '李女士HR'],
     ['https://www.zhipin.com/job_detail/a6df576d9539ad810HN439i7Flo~.html',
      '数据分析师',
      '30-50K·14薪',
      '',
      'https://www.zhipin.com/gongsi/48e6b3630a48ccdb03N-2di9.html',
      '分享动力',
      '互联网不需要融资500-999人',
      '陈女士招聘者'],
     ['https://www.zhipin.com/job_detail/89713a5a1647e44e0XF63dW8F1Y~.html',
      '数据分析师',
      '20-30K·13薪',
      '',
      'https://www.zhipin.com/gongsi/d6f0653b1a4d44740XB_29W0.html',
      '猿辅导',
      '在线教育D轮及以上1000-9999人',
      '毛女士hrbp高级经理'],
     ['https://www.zhipin.com/job_detail/7585af83791f132833F639u7Flo~.html',
      '数据分析师',
      '15-25K',
      '',
      'https://www.zhipin.com/gongsi/f12428f4426b92a033V52tU~.html',
      '360',
      '移动互联网已上市1000-9999人',
      '张女士HRBP']]

显然，此时提取出的都是有用的信息。

由于有多页，因此需要翻页获取每一页的信息，此时需要获取到页面中的下一页链接，如下：

next_page = base_boss_url + soup.find("a", class_="next")['href']
    next_page

输出：

'https://www.zhipin.com/c100010000/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=2'

显然，获取到了下一页的链接。

进一步用函数的形式实现：

def extract_jobs(page):
        page_soup = bs(page, 'lxml')
        all_jobs = page_soup.find_all("div", class_="job-primary")
        jobs_index = []
        print("parseing page ",page_soup.title.text)
        for job_ in all_jobs:
            job_link= base_boss_url + job_.a["href"]
            job_title = job_.a.text
            job_salary = job_.find('span',class_='red').text
            other_detail = job_.find("div", class_="info-detail").text
            company_url = base_boss_url + job_.select(".info-company")[0].a["href"]
            company = job_.select(".info-company")[0].a.text
            company_info = job_.select(".info-company")[0].p.text
            publish_info = job_.find("div",class_="info-publis").h3.text
            jobs_index.append([job_link,job_title,job_salary,other_detail,company_url,company,company_info,publish_info])
    
        next_page = base_boss_url + soup.find("a", class_="next")['href']
        print("next page is ",next_page)
        return jobs_index, next_page

再循环实现爬取多页：

next_page = "https://www.zhipin.com/job_detail/?query=数据分析&city=100010000&industry=&position="
    header = { 
        'Cookie': 'Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1601622554; lastCity=100010000; __g=-; toUrl=https%3A%2F%2Fwww.zhipin.com%2Fc100010000%2F%3Fquery%3D%25E6%2595%25B0%25E6%258D%25AE%25E5%2588%2586%25E6%259E%2590%26page%3D2%26ka%3Dpage-2; t=CPzVdSehDMWYI0ch; wt=CPzVdSehDMWYI0ch; _bl_uid=70kkOfndrz2x09b2wqjXvwRw7CXh; __c=1601622556; __l=l=%2Fwww.zhipin.com%2Fjob_detail%2F%3Fquery%3D%25E6%2595%25B0%25E6%258D%25AE%25E5%2588%2586%25E6%259E%2590%26city%3D100010000%26industry%3D%26position%3D&r=&g=&friend_source=0&friend_source=0; __a=10559958.1598103978.1598103978.1601622556.20.2.19.20; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1601625518; __zp_stoken__=cb83bGmgSGWkpKCwDKD94UGNacAUEGlI0IiUsTFEZOkpsdHcVUH9dZWN0U3hoOykGPFcSd0wHeyVlID01OwRMXh5NPCtDNBRnZXAZTAIVSThRFWM6IQ86BGZgXnpPRRhtOgYYZFcOBlsQA3VWJQ%3D%3D',
        'Host': 'www.zhipin.com',
        'Referer': 'https://www.zhipin.com/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
    }
    counter = 0
    all_jobs = []
    while next_page != "javascript:;":
        print("start to fecth url ",next_page)
        boss_response = requests.get(next_page, headers=header)
        jobs, next_page = extract_jobs(boss_response.text)
        counter +=1
    
        if len(jobs) > 0:
            all_jobs = all_jobs + jobs
        
        if counter > 3:
            break
        time.sleep(random.randint(5,12))

输出如下：

start to fecth url  https://www.zhipin.com/job_detail/?query=数据分析&city=100010000&industry=&position=
    parseing page  「全国数据分析招聘」-2020年全国数据分析最新人才招聘信息 - BOSS直聘
    start to fecth url  https://www.zhipin.com/c100010000/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=2
    parseing page  「全国数据分析招聘」-2020年全国数据分析最新人才招聘信息 - BOSS直聘
    start to fecth url  https://www.zhipin.com/c100010000/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=3
    parseing page  「全国数据分析招聘」-2020年全国数据分析最新人才招聘信息 - BOSS直聘
    start to fecth url  https://www.zhipin.com/c100010000/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&page=4
    parseing page  「全国数据分析招聘」-2020年全国数据分析最新人才招聘信息 - BOSS直聘

由于现在BOSS直聘的反爬措施比较严厉，因此必须在请求头中加入**Cookie信息**（这是验证一个用户的基本信息），在浏览器中Cookie的获取方法如下：  
![data web boss get cookie][]

注意，需要获取第一条网络请求（即类似于[https://www.zhipin.com/job\_detail/?query=数据分析&city=100010000&industry=&position=][https_www.zhipin.com_job_detail_query_city_100010000_industry_position]的请求）对应的Cookie，因为不同的请求对应的Cookie可能会有所不同；  
并且，一个Cookie一般只能用一次，因此爬取一次应该重新获取Cookie，最好是注册用户之后再获取Cookie、这样更有效。  
同时为了**控制访问频率**，每执行一次翻页循环后，都通过`time.sleep()`方法暂停执行。

此时查看获取到的数据，如下：

all_jobs

输出：

[['https://www.zhipin.com/job_detail/e1bde0976de53e081nR43dm5EFRU.html',
      '数据分析师(实习)',
      '200-300元/天',
      '',
      'https://www.zhipin.com/gongsi/2e64a887a110ea9f1nRz.html',
      '腾讯',
      '互联网已上市10000人以上',
      '黄女士HRBP'],
     ['https://www.zhipin.com/job_detail/062a0a30e8b663103nJy2N65E1E~.html',
      '【校招】数据分析师',
      '20-30K·16薪',
      '',
      'https://www.zhipin.com/gongsi/fa2f92669c66eee31Hc~.html',
      'BOSS直聘',
      '人力资源服务D轮及以上1000-9999人',
      'BOSS直聘校招校园招聘'],
     ['https://www.zhipin.com/job_detail/5b132f8291af536d3nN42di7F1Y~.html',
      '周末双休 数据分析',
      '7-12K',
      '',
      'https://www.zhipin.com/gongsi/aa07960c21a559c61nV_3N24GFs~.html',
      '北京磐程',
      '电子商务100-499人',
      '王女士人事经理'],
    ...
     ['https://www.zhipin.com/job_detail/3bcf1023eea94e363nN_3d65GFM~.html',
      '数据分析师',
      '7-8K',
      '',
      'https://www.zhipin.com/gongsi/c58313ff6a0317b10HN83d-0.html',
      '坚果动力',
      '游戏A轮100-499人',
      '李强制作人'],
     ['https://www.zhipin.com/job_detail/0cf98b59a339fd4603R90tS5FlQ~.html',
      '数据分析师',
      '8-10K',
      '',
      'https://www.zhipin.com/gongsi/90ffbb07580a82d203d73d-5Fw~~.html',
      '北京立言创新科技...',
      '学术/科研未融资0-20人',
      '高晓玲设计师']]

显然，已经获取到了需要的数据。

还可以进一步保存到文件中，如下：

fout = open('job_data.csv', 'wt')
    for info in all_jobs:
        fout.write(",".join(info)+"\n")
    fout.close()

执行成功后，列表中会多出一个文件job\_data.csv。

## 4.获取职位详情数据 ##

获取职位详情时，可以利用之前获取到的详情链接，通过requests模拟请求并使用BeautifulSoup解析。

先以一个商品详情链接为例进行探究。  
查看网页如下：  
![data web boss job detail review][]

可以看到，职位详情都在class为detail-content的div中。

获取一个职位详情页的详情信息，如下：

detail_link = all_jobs[0][0]
    header = { 
        'Cookie': 'lastCity=100010000; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1601602464,1601624966; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1601627370; __zp_stoken__=cb83bGmgSGWkpKFVye2gnUGNacAVQeH5ZeQEsTFEZOiALeWBKTX9dZWN0eHZBaRkGPFcSd0wHey9kCTc1M2kdDjAjby9CXQRiHX9yWnsLSThRFWM6IT9oLWhLXnpPRRhwOgYYZFcOBlsQA3VWJQ%3D%3D; __fid=7627d554a7f83f762fe906cbda0d7906; __g=-; __c=1601602461; __l=l=%2Fwww.zhipin.com%2Fc100010000%2F%3Fquery%3D%25E6%2595%25B0%25E6%258D%25AE%25E5%2588%2586%25E6%259E%2590%26page%3D5&r=http%3A%2F%2F127.0.0.1%3A8888%2Fnotebooks%2Fcrawl_boss.ipynb&g=&friend_source=0&friend_source=0; __a=80430348.1601602461..1601602461.23.1.23.23',
        'Host': 'www.zhipin.com',
        'Referer': 'https://www.zhipin.com/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
    }
    job_detail = requests.request("GET", detail_link,headers=header)
    job_soup = bs(job_detail.text,"lxml")
    detail_text = job_soup.find("div",class_="job-sec")
    
    detail_text.text

输出：

'\n职位描述\n\n 【腾讯视频号】数据分析-日常实习生【仅接受985/211或海外大学对口专业简历】岗位职责负责微信视频号产品的各项数据分析相关工作岗位要求1. 数据科学/统计/数学专业/信管/计算机等相关专业本科及以上学历；2. 良好的数据结构和算法基础，优秀的编码能力；3.数据驱动，熟练使用sql、excel，能高效利用数据指导并优化方案，Python 或 R（必须），SQL（必须），Tableau（加分，建议）Excel（必须）具有海量数据处理经验；4. 具有良好的沟通能力、坦诚直接、重视团队合作；5.有才艺其他兴趣爱好，互联网公司同样实习经历，自我经营账号的优先6. 一周实习4天以上，能够立即到岗，实习3个月以上7. 必须是有学籍的在校生，优先考虑2021届和2021届以后毕业同学。其他：1.地点：北京线下；2.待遇：高额薪水，差旅交通报销，免费三餐，大空间，团队氛围nice\n \n'

对文本进行进一步的处理：

detail_text = detail_text.text.replace("\n","").replace(" ","")
    detail_text

输出：

'职位描述【腾讯视频号】数据分析-日常实习生【仅接受985/211或海外大学对口专业简历】岗位职责负责微信视频号产品的各项数据分析相关工作岗位要求1.数据科学/统计/数学专业/信管/计算机等相关专业本科及以上学历；2.良好的数据结构和算法基础，优秀的编码能力；3.数据驱动，熟练使用sql、excel，能高效利用数据指导并优化方案，Python或R（必须），SQL（必须），Tableau（加分，建议）Excel（必须）具有海量数据处理经验；4.具有良好的沟通能力、坦诚直接、重视团队合作；5.有才艺其他兴趣爱好，互联网公司同样实习经历，自我经营账号的优先6.一周实习4天以上，能够立即到岗，实习3个月以上7.必须是有学籍的在校生，优先考虑2021届和2021届以后毕业同学。其他：1.地点：北京线下；2.待遇：高额薪水，差旅交通报销，免费三餐，大空间，团队氛围nice'

显然，页面美观了很多。

进一步通过循环获取多个详情链接的详情信息：

job_desc=[]
    header = { 
        'Cookie': 'Cookie: lastCity=100010000; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1601602464,1601624966; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1601628313; __zp_stoken__=cb83bGmgSGWkpKF9eQW0WUGNacAVVDB9sNDssTFEZOlIDHXcKU39dZWN0enMzK2IGPFcSd0wHeyAzIGM1LHd1KFU0Y1BHPxZtbHF0XH4cSThRFWM6IUQqX21JXnpPRRhuOgYYZFcOBlsQA3VWJQ%3D%3D; __fid=7627d554a7f83f762fe906cbda0d7906; __g=-; ___gtid=729532789; __c=1601602461; __l=l=%2Fwww.zhipin.com%2Fjob_detail%2F7271f2f28169375a1nR42t-6GFpQ.html%3Fka%3Dsearch_list_jname_1_blank%26lid%3Dnlp-axWMPTPcuB6.search.1&r=http%3A%2F%2F127.0.0.1%3A8888%2Fnotebooks%2Fcrawl_boss.ipynb&g=&friend_source=0&friend_source=0; __a=80430348.1601602461..1601602461.28.1.28.28',
        'Host': 'www.zhipin.com',
        'Referer': 'https://www.zhipin.com/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36',
    }
    for job in all_jobs[:4]:
        print(".",end="")
        job_detail = requests.request("GET", job[0], headers=header)
        job_soup = bs(job_detail.text,"lxml")
        detail_text = job_soup.find("div",class_="job-sec").text.replace("\n","").replace(" ","")
        job_desc.append([job[0],detail_text])
        time.sleep(random.random()*3)
        
    job_desc

输出：

[['https://www.zhipin.com/job_detail/e1bde0976de53e081nR43dm5EFRU.html',
      '职位描述【腾讯视频号】数据分析-日常实习生【仅接受985/211或海外大学对口专业简历】岗位职责负责微信视频号产品的各项数据分析相关工作岗位要求1.数据科学/统计/数学专业/信管/计算机等相关专业本科及以上学历；2.良好的数据结构和算法基础，优秀的编码能力；3.数据驱动，熟练使用sql、excel，能高效利用数据指导并优化方案，Python或R（必须），SQL（必须），Tableau（加分，建议）Excel（必须）具有海量数据处理经验；4.具有良好的沟通能力、坦诚直接、重视团队合作；5.有才艺其他兴趣爱好，互联网公司同样实习经历，自我经营账号的优先6.一周实习4天以上，能够立即到岗，实习3个月以上7.必须是有学籍的在校生，优先考虑2021届和2021届以后毕业同学。其他：1.地点：北京线下；2.待遇：高额薪水，差旅交通报销，免费三餐，大空间，团队氛围nice'],
     ['https://www.zhipin.com/job_detail/062a0a30e8b663103nJy2N65E1E~.html',
      '职位描述我们的日常工作：1、撰写code（包括SQL/Shell/Python/R等），提取、加工相关的业务数据2、应用Excel/Python以及一些可视化工具进行数据可视化的相关分析3、撰写分析报告，给出相关的分析结论。主要分为几个方面：产品业务优化迭代的效果评估，业务假设的数据验证，业务优化的实施策略的制定，业务可能存在的问题的研究定位，业务发展的战略方向探索4、与产品、市场、运营、销售、设计等各个部门进行业务分析结论的沟通，使得数据分析的发现能够驱动业务的相关优化我们眼中的你：1、这个岗位需要撰写大量的代码，所以希望你不是一个害怕跟代码打交道的人。2、这个岗位需要进行数据分析，会需要掌握很多数学相关的知识，所以希望你不是一个从小不喜欢学习数学的人。3、这个岗位涉及大量的与人沟通的工作，所以希望你不是一个过于腼腆的人。4、这个岗位的目的是通过数据分析以理解用户的行为的内在机理，所以我们希望你是有较好的同理心的人，平时是乐于去理解、并能够照顾别人感受的人。5、为了能够更好的理解业务，我们会需要进行广泛地学习，如经济学、心理学、系统论、信息论等等，所以希望你是一个能够不断挑战自己，对所有的未知都抱有足够的好奇心的人。6、知识可以学习、能力可以锻炼、心智可以培养，最终还是需要你是一个有足够的事业追求的人。'],
     ['https://www.zhipin.com/job_detail/5b132f8291af536d3nN42di7F1Y~.html',
      '职位描述技能要求：数据分析，数据仓库1、搜集行业相关信息，为相关需求者提供更准确的数据信息；2、丰富市场分析能力，做出每日分析计划，熟练掌握各种分析技术；3、对市场、行业、公司运营等提供数据分析计划，为战略决策提供支持；4、发表研究成果或分析评论，配合公司的推广及培训等工作。5、协助部门经理完善部门管理制度；'],
     ['https://www.zhipin.com/job_detail/b8f8a877b20685010XF62Nm1FVs~.html',
      '职位描述【岗位职责】\u20281、参与原始数据、数据抽取、治理、统计分析到报表展示的全部流程2、深入理解业务，发现业务特征，进行衍生数据价值挖掘\u2028【任职条件】1、计算机等相关专业者优先；2、熟悉SQL，有使用HIVESQL或者SPARKSQL经验者，熟练使用java，python或者scala优先；3、思路开阔且灵活，对数字敏感，善于从数据中发现问题并抓住重点；4，具备良好的数据敏感度、良好的逻辑思维，能及时发现和分析数据中隐含的变化和问题；5、良好的逻辑思维能力，能够从海量数据中发现有价值的规律6、了解spark生态，有大数据处理经验的优先7、实习期至少6个月。']]

进一步保存数据如下：

fout = open('job_desc.csv', 'wt', encoding='gbk')
    for info in job_desc:
        fout.write("{},\"{}\"\n".format(info[0],info[1].encode('gbk', 'ignore').decode('gbk', 'ignore')))
    fout.close()

再查看当前目录，多了文件为job\_desc.csv。

## 5.词频统计和词云展示 ##

对于中文详情的描述，需要先进行分词，即将文段分成较短的词语，使用jieba库分词，使用前需要先通过命令`conda install -c conda-forge jieba`进行安装。

jieba库的简单使用如下：

import jieba
    
    fenci = jieba.cut("我在北京上大学，我上的是比清华好的北京大学",cut_all=True)
    '/'.join(fenci)

输出：

'我/在/北京/上/大学///我/上/的/是/比/清华/好/的/北京/北京大学/大学'

进一步使用如下：

fenci = jieba.cut("我在北京读大学，我读的是比清华好的北京大学",cut_all=False)
    print("/ ".join(fenci))
    
    fenci = jieba.cut("我爱北京天安门，五环比六环少一环，学好python就不是低端劳动力了，呜呜",cut_all=False)
    print("/ ".join(fenci))
    
    jieba.suggest_freq("六环", tune=True)
    fenci = jieba.cut("我爱北京天安门，五环比六环多一环，学好python就不是低端劳动力了，呜呜",cut_all=False)
    print("/ ".join(fenci))

输出：

我/ 在/ 北京/ 读/ 大学/ ，/ 我读/ 的/ 是/ 比/ 清华/ 好/ 的/ 北京大学
    我/ 爱/ 北京/ 天安门/ ，/ 五环/ 比六环少/ 一环/ ，/ 学好/ python/ 就/ 不是/ 低端/ 劳动力/ 了/ ，/ 呜呜
    我/ 爱/ 北京/ 天安门/ ，/ 五环/ 比/ 六环/ 多一环/ ，/ 学好/ python/ 就/ 不是/ 低端/ 劳动力/ 了/ ，/ 呜呜

对job\_desc进行处理如下：

combined_job_desc = " ".join([j[1] for j in job_desc])
    fenci_job_desc = jieba.cut(combined_job_desc,cut_all=False)
    space = " ".join(fenci_job_desc)
    space

在使用词云之前，需要通过命令`conda install -c conda-forge wordcloud`安装wordcloud库。

生成词云对象如下：

# 生成WordCloud对象
    wc = WordCloud(
    # width=800,
    # height=600,
        background_color="white",  # 设置背景颜色
        max_words=200,  # 词的最大数（默认为200）
        colormap='viridis',  # string or matplotlib colormap, default="viridis"
        random_state=10,  # 设置有多少种随机生成状态，即有多少种配色方案
        font_path='STLITI.TTF' # 设置字体路径
    )
    ##comments
    my_wordcloud = wc.generate(space)

注意：  
再进行初始化时，如果是中文词，需要指定font\_path，即**字体路径**，并且需要在路径下有对应的字体文件。

> 如需获取字体文件进行测试，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] ，在群文件夹**商业数据分析从入门到入职**中下载即可，Windows系统也可以在C:\\Windows\\Fonts中选择支持中文的字体复制到项目路径下。

展示词云：

import matplotlib.pyplot as plt
    %matplotlib inline
    
    plt.imshow(wc, interpolation="bilinear")
    plt.axis("off")
    plt.figure()

显示：  
![data web boss wordcloud first][]

可以看到，根据出现关键字的次数权重而区分词语的大小，形成有区分度的词云统计。

但是还可以进一步优化，去掉一些重复的、没有意义的词语，可以在初始化WordCloud对象时使用`stopwords`参数忽略掉这些词。  
如下：

wc = WordCloud(
    # width=800,
    # height=600,
        background_color="white",  # 设置背景颜色
    # max_words=200, # 词的最大数（默认为200）
        colormap='viridis',  # string or matplotlib colormap, default="viridis"
        random_state=10,  # 设置有多少种随机生成状态，即有多少种配色方案
        font_path='STKAITI.TTF',
        stopwords=('数据','数据分析','职位描述','工作','工作内容','职责','工作职责','任职要求','职位','描述','产品','经验','熟练',
                  '进行','运营','相关','以上学历','使用','工具','本科','提供','负责','业务','熟悉','分析','优先','能力','策略',
                  '任职','熟悉','开发','项目','公司','需求','支持','岗位职责','行业','问题','研究','逻辑','具有','搭建','能够',
                  '决策','完成','技术','监控','客户','基于','方法','设计','了解','良好','部门','日常','通过','团队','互联网','根据'
                ,'建立','以及','具备','发现','应用','业务部门','制定','掌握','要求','平台','基础','以上','推动','体系','管理'
                   ,'较强','学习','管理','资格','建议','专业','落地','协助','执行','价值','方案','提出','解决','快速','优秀','参与',
                  '方向','改进','建设','评估','研发','信息','提取','深入','常用','包括','岗位','理解','用户')
    )
    
    my_wordcloud = wc.generate(space)
    
    plt.imshow(wc, interpolation="bilinear")
    plt.axis("off")
    plt.figure()

显示：  
![data web boss wordcloud second][]

可以看到，相对于之前，有更好的说服力。

还可以进一步统计词频，如下：

from jieba import analyse
    keywords = analyse.extract_tags(combined_job_desc, topK=300, withWeight=True, allowPOS=('n',))
    keywords

输出：

[('数据', 0.3934027646776582),
     ('业务', 0.35639458308689875),
     ('岗位', 0.19911889163164556),
     ('职位', 0.19509550027518988),
     ('能力', 0.1561817429800633),
    ...
     ('全部', 0.03118962121886076),
     ('条件', 0.030984291967974684),
     ('基础', 0.030147029148860763),
     ('技术', 0.0298699821428481),
     ('方面', 0.026981713165253163)]

因为很多技能都是用英文表示的，如MySQL、Python等，因此可以进一步去掉中文，再进行分析。  
示意如下：

import re
     
    s = 'hi新手oh'
    remove_chinese = re.compile(r'[\u4e00-\u9fa5]') #[\u4e00-\u9fa5]是匹配所有中文的正则表达式
    remove_chinese.split(s)

输出：

['hi', '', 'oh']

可以看到，去掉了字符串中的中文。  
对职位要求详情去中文如下：

all_english = ''.join(remove_chinese.split(combined_job_desc))
    all_english

输出：

'【】-【985/211】1.；2.，；3.，sql、excel，，PythonR（），SQL（），Tableau（，）Excel（）；4.、、；5.，，6.4，，37.，20212021。：1.：；2.：，，，，nice ：1、code（SQL/Shell/Python/R），、2、Excel/Python3、，。：，，，，4、、、、、，：1、，。2、，，。3、，。4、，，、。5、，，、、、，，。6、、、，。 ：，1、，；2、，，；3、、、，；4、，。5、； 【】\u20281、、、、2、，，\u2028【】1、；2、SQL，HIVESQLSPARKSQL，java，pythonscala；3、，，；4，、，；5、，6、spark，7、6。'

同时，很多英文因为大小写等原因，其实也是表达的同一个意思，如`SQL`和`sql`，意思一样，只是大小写不同，可以合并统计：

combined_job_desc.count("SQL") + combined_job_desc.count("sql")

输出：

分析词频如下：

keywords = jieba.analyse.extract_tags(all_english, topK=300, withWeight=True, allowPOS=())
    keywords

输出：

[('SQL', 1.5593175003782607),
     ('Excel', 1.0395450002521738),
     ('985', 0.5197725001260869),
     ('211', 0.5197725001260869),
     ('sql', 0.5197725001260869),
     ('excel', 0.5197725001260869),
     ('PythonR', 0.5197725001260869),
     ('Tableau', 0.5197725001260869),
     ('6.4', 0.5197725001260869),
     ('37', 0.5197725001260869),
     ('20212021', 0.5197725001260869),
     ('nice', 0.5197725001260869),
     ('code', 0.5197725001260869),
     ('Shell', 0.5197725001260869),
     ('Python', 0.5197725001260869),
     ('Python3', 0.5197725001260869),
     ('HIVESQLSPARKSQL', 0.5197725001260869),
     ('java', 0.5197725001260869),
     ('pythonscala', 0.5197725001260869),
     ('spark', 0.5197725001260869)]

此时，词频有很大变化。

再画词云如下：

eng_job_desc = jieba.cut(all_english,cut_all=False)
    en_space = " ".join(eng_job_desc)
    
    wc_eng = WordCloud(
    # width=1600,
    # height=800,
        background_color="white",  # 设置背景颜色
        max_words=300,  # 词的最大数（默认为200）
        colormap='viridis',  # string or matplotlib colormap, default="viridis"
        random_state=10,  # 设置有多少种随机生成状态，即有多少种配色方案
    # font_path='./fonts/cn/msyh.ttc'
    )
    ##comments
    my_wordcloud = wc_eng.generate(en_space)
    
    plt.imshow(wc_eng, interpolation="bilinear")
    plt.axis("off")
    plt.figure()

显示：  
![data web boss wordcloud third][]

# 三、王者荣耀列表整合案例 #

王者荣耀英雄列表网页为[https://pvp.qq.com/web201605/herolist.shtml][https_pvp.qq.com_web201605_herolist.shtml]，展示了英雄的基本信息。

前面是从网页中大量数据中找出有用的信息，但是对于有的网站来说还有更简单的方式，如有的网站提供了数据API，即通过JSON形式提供数据到前端再渲染显示，显然，直接从JSON API中获取数据更简单高效。

如王者荣耀英雄列表网页就使用了JSON数据，如下：  
![data web king honor json][]

可以看到，其地址为[https://pvp.qq.com/web201605/js/herolist.json][https_pvp.qq.com_web201605_js_herolist.json]，包含了所有英雄的基本信息，可以下载该JSON文件，然后就可以直接从文件中获取信息，而不需要再从网页中解析了，并将这些信息与网页中的信息进行整合、形成更加完善的信息，并实现可以通过关键字查询相关英雄的信息。

## 1.获取JSON数据 ##

先导入所需要的库并获取到JSON数据，如下：

import json
    import requests
    from bs4 import BeautifulSoup as bs
    
    rongyao_response = requests.request("GET", "https://pvp.qq.com/web201605/js/herolist.json")
    rongyao_response.text

将其保存到本地文件，如下：

r = requests.get('https://pvp.qq.com/web201605/js/herolist.json', stream=True)
    
    with open("herolist.json", 'wb') as fd:
        for chunk in r.iter_content(chunk_size=128):
            fd.write(chunk)

对JSON对象的操作可以有json库实现。  
将JSON对象转化为字典如下：

json_obj = """ { "zoo_animal": "Lion", "food": ["Meat", "Veggies", "Honey"], "fur": "Golden", "clothes": null, "diet": [{"zoo_animal": "Gazelle", "food":"grass", "fur": "Brown"}] } """
    
    data = json.loads(json_obj)
    data

输出：

{ 'zoo_animal': 'Lion',
     'food': ['Meat', 'Veggies', 'Honey'],
     'fur': 'Golden',
     'clothes': None,
     'diet': [{ 'zoo_animal': 'Gazelle', 'food': 'grass', 'fur': 'Brown'}]}

也可以将字典转化为JSON对象，如下：

json.dumps(data)

输出：

'{"zoo_animal": "Lion", "food": ["Meat", "Veggies", "Honey"], "fur": "Golden", "clothes": null, "diet": [{"zoo_animal": "Gazelle", "food": "grass", "fur": "Brown"}]}'

也可以读取JSON文件转化为字典，如下：

hero_list = None
    with open('herolist.json','rb') as json_data:
        hero_list = json.load(json_data)
        print(hero_list[:5])

输出：

[{ 'ename': 105, 'cname': '廉颇', 'title': '正义爆轰', 'new_type': 0, 'hero_type': 3, 'skin_name': '正义爆轰|地狱岩魂'}, { 'ename': 106, 'cname': '小乔', 'title': '恋之微风', 'new_type': 0, 'hero_type': 2, 'skin_name': '恋之微风|万圣前夜|天鹅之梦|纯白花嫁|缤纷独角兽'}, { 'ename': 107, 'cname': '赵云', 'title': '苍天翔龙', 'new_type': 0, 'hero_type': 1, 'hero_type2': 4, 'skin_name': '苍天翔龙|忍●炎影|未来纪元|皇家上将|嘻哈天王|白执事|引擎之心'}, { 'ename': 108, 'cname': '墨子', 'title': '和平守望', 'new_type': 0, 'hero_type': 2, 'hero_type2': 1, 'skin_name': '和平守望|金属风暴|龙骑士|进击墨子号'}, { 'ename': 109, 'cname': '妲己', 'title': '魅力之狐', 'pay_type': 11, 'new_type': 0, 'hero_type': 2, 'skin_name': '魅惑之狐|女仆咖啡|魅力维加斯|仙境爱丽丝|少女阿狸|热情桑巴'}]

打印了前5个文件的信息。

获取每个英雄的类型，如下：

hero_type = ["全部","战士","法师","坦克","刺客","射手","辅助"]
    
    for hero in hero_list:
        combine_type = []    
        if "hero_type" in hero:
            combine_type.append(hero_type[hero["hero_type"]])
        if "new_type" in hero:
            combine_type.append(hero_type[hero["new_type"]])
        if "hero_type2" in hero:
            combine_type.append(hero_type[hero["hero_type2"]])
        print(hero["cname"] +" "+('|').join(combine_type))

输出：

## 2.获取网页英雄信息 ##

此时再获取[https://pvp.qq.com/web201605/herolist.shtml][https_pvp.qq.com_web201605_herolist.shtml]中的信息，包括图片链接等。  
尝试如下：

html_hero_response = requests.request("GET", "https://pvp.qq.com/web201605/herolist.shtml")
    html_hero_response.content.decode('gbk')

从输出中可以看到，输出中的英雄列表并不完整，与网页中实际现实的不一致，这可能是因为一部分信息是通过JavaScript等方式渲染到网页中的，网页源代码中没有，因此也未请求到。  
此时可以使用selenium库来模拟访问浏览器，像人为一样操作浏览器，进而获取到英雄完整列表。  
在使用前需要安装selenium库，直接通过`conda install -c conda-forge selenium`命令即可安装；  
还需要下载驱动，Chrome和FIrefox驱动均可，以Chrome为例，在下载前需要下载Chrome浏览器的版本，方式如下：  
![data web hero Google version][]

获取到版本后，再到[http://chromedriver.storage.googleapis.com/index.html][http_chromedriver.storage.googleapis.com_index.html]中选择与Chrome版本相近的驱动版本，如83.0.4103.14，点击后在当前版本下选择`chromedriver_win32.zip`下载，下载解压后获取到chromedriver.exe文件，将其移动到Anaconda安装目录下的Scripts目录下，如`E:\Anaconda3\Scripts`，如果不是使用的Anaconda，而是普通的Python环境，则移动到Python安装目录下的Scripts目录下，如`E:\Python\Python38-32\Scripts`目录下，此时就可以使用selenium进行模拟访问了。

> 由于官网下载很缓慢，因此我已经将Chrome83.0.4103.14版本对应的驱动下载整理好了，可以直接点击加QQ群 [![Python极客部落][Python]963624318][Python_Python_963624318] 在群文件夹**Python相关安装包**中下载即可，如需其他版本也可以在群里向群主提出。

模拟访问如下：

from selenium import webdriver
    
    browser = webdriver.Chrome()
    browser.get("https://pvp.qq.com/web201605/herolist.shtml")
    html = browser.page_source
    browser.quit()

执行，如下：  
![data web king honor selenium simulation][]

可以看到，有一个Chrome浏览器弹出并访问网站，获取到信息后自动关闭。

现在使用BeautifulSoup进行解析，获取英雄列表：

hero_soup = bs(html,'lxml')
    hero_html_list=hero_soup.find("ul",class_="herolist")
    all_hero_list =hero_html_list.find_all("li")
    print(all_hero_list[0].text)
    print("https://"+all_hero_list[0].img["src"].strip("/"))

输出：

夏洛特
    https://game.gtimg.cn/images/yxzj/img201606/heroimg/536/536.jpg

显然，获取到了基本信息。

进一步整合，获取所有英雄名称和图片链接列表：

gen_heros=[[info.text, "https://"+info.img["src"].strip("/")] for info in all_hero_list]
    gen_heros

输出L:

[['夏洛特', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/536/536.jpg'],
     ['阿古朵', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/533/533.jpg'],
     ['蒙恬', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/527/527.jpg'],
     ['镜', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/531/531.jpg'],
     ['蒙犽', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/524/524.jpg'],
    ...
     ['妲己', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/109/109.jpg'],
     ['墨子', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/108/108.jpg'],
     ['赵云', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/107/107.jpg'],
     ['小乔', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/106/106.jpg'],
     ['廉颇', 'https://game.gtimg.cn/images/yxzj/img201606/heroimg/105/105.jpg']]

## 3.数据整合 ##

现在需要将hero\_list和gen\_heros两个列表中的数据进行整合，并且实现根据关键字检索。

先实现给hero\_list中的英雄定义英雄类型和根据英雄名在hero\_list检索是否存在的函数，如下：

def build_hero_type(hero):
        combine_type = []    
        if "hero_type" in hero:
            combine_type.append(hero_type[hero["hero_type"]])
        if "new_type" in hero:
            combine_type.append(hero_type[hero["new_type"]])
        if "hero_type2" in hero:
            combine_type.append(hero_type[hero["hero_type2"]])
        return(('|').join(combine_type))
    
    def search_for_hero_info(name=None):
        for hero in hero_list:
            if "cname" in hero:
                if hero["cname"] == name:
                    return hero
        return None

这两个函数的简单使用如下：

su_lie=search_for_hero_info("苏烈")
    print(su_lie)
    
    hero_detail = search_for_hero_info(gen_heros[0][0])
    print(hero_detail)
    
    hero_detail["skin_name"].strip("
    '")
    build_hero_type(hero_detail)

输出如下：

{ 'ename': 194, 'cname': '苏烈', 'title': '不屈铁壁', 'pay_type': 10, 'new_type': 0, 'hero_type': 3, 'hero_type2': 1, 'skin_name': '不屈铁壁|爱与和平|坚韧之力|玄武志'}
    { 'ename': 536, 'cname': '夏洛特', 'title': '玫瑰剑士', 'new_type': 1, 'hero_type': 1, 'skin_name': '玫瑰剑士'}
    
    '战士|战士'

现实现合并两个列表的函数：

def merge_hero_info(hero_html, hero_json):
        all_heros = []
        for hero in hero_html:
            hero_detail = search_for_hero_info(hero[0])
            all_heros.append([hero[0],build_hero_type(hero_detail),hero_detail.get("skin_name",'').strip("
    '"),hero[1]])
        return all_heros

使用该函数合并两个列表如下：

combined_heros=[]
    combined_heros = merge_hero_info(gen_heros, hero_list)
    combined_heros[:5]

输出：

[['夏洛特',
      '战士|战士',
      '玫瑰剑士',
      'https://game.gtimg.cn/images/yxzj/img201606/heroimg/536/536.jpg'],
     ['阿古朵',
      '坦克|全部',
      '山林之子',
      'https://game.gtimg.cn/images/yxzj/img201606/heroimg/533/533.jpg'],
     ['蒙恬',
      '战士|全部',
      '秩序统将|秩序猎龙将',
      'https://game.gtimg.cn/images/yxzj/img201606/heroimg/527/527.jpg'],
     ['镜',
      '刺客|全部',
      '破镜之刃|冰刃幻境',
      'https://game.gtimg.cn/images/yxzj/img201606/heroimg/531/531.jpg'],
     ['蒙犽',
      '射手|全部',
      '烈炮小子|归虚梦演',
      'https://game.gtimg.cn/images/yxzj/img201606/heroimg/524/524.jpg']]

## 4.建立索引 ##

现在进一步实现建立索引实现快速查找，实现根据英雄名、英雄类型、英雄皮肤。  
要实现输入一个keyword为苏烈，可以返回下面这样的结果：

['苏烈',
      [['苏烈',
        '坦克|战士|战士',
        '不屈铁壁|爱与和平',
        'http://game.gtimg.cn/images/yxzj/img201606/heroimg/194/194.jpg']]],
     ['坦克',
      [['苏烈',
        '坦克|战士|战士',
        '不屈铁壁|爱与和平',
        'http://game.gtimg.cn/images/yxzj/img201606/heroimg/194/194.jpg'],
        ['铠',
        '战士|全部|坦克',
        '破灭刃锋|龙域领主',
        'http://game.gtimg.cn/images/yxzj/img201606/heroimg/193/193.jpg']
        ]
        ]
      ]
    ]

先实现根据英雄信息生成关键字列表：

# 根据英雄信息，生成keyword的列表
    def get_keywords_array(hero):
        keywords =[]
        if hero[0]:
            keywords.append(hero[0])
        if hero[1]:
            keywords += hero[1].split('|')
        if hero[2]:
            keywords +=hero[2].split('|')
        return keywords
    
    get_keywords_array(combined_heros[12])

输出：

['猪八戒', '坦克', '全部', '无忧猛士', '年年有余']

再实现添加索引和创建搜索列表的函数：

# 添加索引到搜索数据列表中
    def add_to_index(index, keyword, info):
        for entry in index:
            if entry[0] == keyword:
                entry[1].append(info)
                return
        #not find
        index.append([keyword,[info]])
    
    # 创建搜索数据列表 
    def build_up_index(index_array):
        for hero_info in combined_heros:
            keywords = get_keywords_array(hero_info)
            for key in keywords:
                add_to_index(index_array,key,hero_info)

最后实现根据关键字检索信息的函数：

# 根据关键词在列表中搜索
    def lookup(index,keyword):
        for entry in index:
            if entry[0] == keyword:
                return entry[1] 
        #not find
        return entry[0]

检索测试如下：

search_index=[]
    build_up_index(search_index)
    lookup(search_index,"刺客")

输出：

可以看到，在英雄名、英雄类型和皮肤为刺客的数据都被检索出来。

此时再查看建立索引后的数据结构：

display(len(search_index),search_index[4])

输出：

可以看到，为所有关键字都建立了索引，因此长度比英雄数量要多得多。

# 总结 #

爬虫是Python最广泛的应用之一，可以从网页中快速获取大量数据。Python为我们提供了大量获取网络数据、提取网络数据和处理网络数据的库，如requests、selenium、BeautifulSoup、re、jieba、wordcloud等，合理灵活使用这些工具可以进行高效的爬虫开发。

[data file csv]: /images/20221123/90fb5a2485c44ec696ced46e8eab3923.png
[data file fixed]: /images/20221123/ee8cf31546a04f79bea41d0c94f0dc98.png
[data file json]: /images/20221123/b4aad21182834737baa2c430143254fe.png
[data file xml]: /images/20221123/d7561657362a4d38853529ab5fc51b83.png
[data file parquet]: /images/20221123/755e4c1044594076aae25277ebe48c5b.png
[data web html]: /images/20221123/1302a550f17d4b3aa3f6c3e525a2a628.png
[data computer web osi]: /images/20221123/416581a4531445aab6898162327719be.png
[data computer web layer]: /images/20221123/95f4c7f61db5433b8bc1730444111fc4.png
[https_127.0.0.1_8000_hello]: https://127.0.0.1:8000/hello
[data web browser basic]: /images/20221123/50083defae794ae9975aa32c7d90d151.png
[data web browser dev]: /images/20221123/9ed5d5047f0b4f0a8a7bd778f51e404c.png
[data web browser dev deep]: /images/20221123/a25332907b67485b9dea65c9a9ac1798.png
[data web re principal]: /images/20221123/214b39b8ac9c4d1a9010df8d1b08c214.png
[https_www.runoob.com_python_python-reg-expressions.html]: https://www.runoob.com/python/python-reg-expressions.html
[data web html get show]: /images/20221123/30edb76fadd34fc988ad77b6a41c439e.png
[data web html demo]: /images/20221123/576bd8ff196542458c3c9295e3a48119.png
[data web html demo tree]: /images/20221123/67ce9567b68b4ab7a59ecaef863398f7.png
[https_www.zhipin.com]: https://www.zhipin.com/
[data web boss review]: /images/20221123/845c8d7759c94a93a9ee33aebfc7be8d.png
[data web boss review description]: /images/20221123/f10e204e88de4b3a99d456aa617bf30f.png
[data web boss review list]: /images/20221123/f859129d27084d5f94c2b335ef3cbf7e.png
[Python]: https://pub.idqqimg.com/wpa/images/group.png
[Python_Python_963624318]: /images/20221123/bc039308e3504b82ad27da712b2da85b.png
[data web boss get cookie]: /images/20221123/fe91518e01b34198a45f1e2e16a6da71.png
[https_www.zhipin.com_job_detail_query_city_100010000_industry_position]: https://www.zhipin.com/job_detail/?query=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&city=100010000&industry=&position=
[data web boss job detail review]: /images/20221123/c640495541174559a50aa562629cd00b.png
[data web boss wordcloud first]: /images/20221123/bb7c069befb1423c923431c13accc98e.png
[data web boss wordcloud second]: /images/20221123/815001f8c0d34425a6cafba31bba0e41.png
[data web boss wordcloud third]: /images/20221123/089f93f969ee4ec5afeeeabfafc67ebc.png
[https_pvp.qq.com_web201605_herolist.shtml]: https://pvp.qq.com/web201605/herolist.shtml
[data web king honor json]: /images/20221123/53d30dcd051545a59e4720a2e646e9aa.png
[https_pvp.qq.com_web201605_js_herolist.json]: https://pvp.qq.com/web201605/js/herolist.json
[data web hero Google version]: /images/20221123/59ded1a68375418f87a819e993b5d98f.png
[http_chromedriver.storage.googleapis.com_index.html]: http://chromedriver.storage.googleapis.com/index.html
[data web king honor selenium simulation]: /images/20221123/cb1c16b7e23f442499b4f5638a7ddad7.png