空间分析：1-5.爬取北京大公司名称工资位置一、公司名录与工资二、位置数据获取三、坐标拾取器四、IP代理五、小结

93 阅读 0 评论 62 点赞

我是靠谱客的博主坦率铃铛，最近开发中收集的这篇文章主要介绍空间分析：1-5.爬取北京大公司名称工资位置一、公司名录与工资二、位置数据获取三、坐标拾取器四、IP代理五、小结，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

房价还受周边群体收入影响，例如后厂村这种地方，房价高企应该是被腾讯、百度托起来的。

所以，我们还要获取一份北京大公司的收入和位置的数据。

基本的数据还是靠搜索。能把房价抬起来，得具备两个条件，薪酬丰厚，人数多，企业和行业需要有规模效应。

规模效应有两种表现形式，一个是像后厂村，有腾讯、百度两家大厂；一个是像金融街，虽然没有特别大的公司，但金融从业者聚集于此。

一、公司名录与工资

不管如何，我们也需要在网上找到一个获取各企业工资的数据源，找了半天，找到一个不那么不靠谱的网址，职友网：

https://www.jobui.com/rank/company/salary/beijing/all/2020/?n=1

将排名靠前的公司的名称和工资爬下来，写入gongzi.txt文件中。

import requests
from bs4 import BeautifulSoup
def getpage(i):
    url = 'https://www.jobui.com/rank/company/salary/beijing/all/2020/?n='+str(i)
    # 请求头，避免403
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'}
    req = requests.get(url, headers=header, timeout=5, verify=False)
    html = req.text
    soup = BeautifulSoup(html)
    companys = soup.findAll(name='div', attrs={'class': 'c-company-list'})
    resultlist=[]
    for c in companys:
        result = ['','']
        if len(c.findAll(name='h3', attrs={})) > 0:
            name = c.findAll(name='h3', attrs={})[0].get_text()
            result[0] = name
        if len(c.findAll(name='em', attrs={'class': 'company-average-salary salary-style'}))>0:
            money = c.findAll(name='em', attrs={'class': 'company-average-salary salary-style'})[0].get_text()
            result[1] = money
        resultlist.append(result)
    return resultlist

if __name__ =='__main__':
    fnew = open(r'gongzi.txt','a',encoding='utf-8')
    for i in range(1,10):
        result = getpage(i)
        for r in result:
            fnew.write('t'.join(r)+'n')
    fnew.close()

二、位置数据获取

有了工资名称，位置数据就很好获取了，调用地理编码服务即可。

但是有些公司根据公司名获取不到坐标，那就手动查询获取地址，把坐标补充一下吧。

import requests

from requests.adapters import HTTPAdapter

s = requests.Session()

s.mount('http://', HTTPAdapter(max_retries=3))#设置重试次数为3次

s.mount('https://', HTTPAdapter(max_retries=3))

def geo(key,name):

    url = 'https://restapi.amap.com/v3/geocode/geo?city=北京&address=' + name + '&output=JSON&key=' + key

    location=''

    try:

        r = s.get(url, timeout=5)

        data = r.json()

        if 'status' in data:

            if data['status'] == '1':

                location = data['geocodes'][0]['location']

    except BaseException as e:

        print(e)

    return location



if __name__ =='__main__':

    key = 

    f = open(r'gongzi.txt','r',encoding='utf-8')

    fnew = open(r'gongzilocation.txt','a',encoding='utf-8')

    flines = f.readlines()

    for l in flines:

        llist = l.strip('n').split('t')

        if len(llist) > 1:

            print(llist[0])

            location = geo(key,llist[0])

            fnew.write(llist[0]+'t'+llist[1]+'t'+location+'n')

    f.close()

    fnew.close()

三、坐标拾取器

地理编码没有获取到的坐标，可以用坐标拾取器获取一下。

https://lbs.amap.com/console/show/picker

四、IP代理

在爬取北京房价的那篇里已经说过了，爬虫频繁访问，是会被限制的，解决方法有两个，一个是降低访问频率，一个是换IP。

爬虫IP代理的方案有很多，这里说一个我觉得比较简单的。

我使用的是代理蚂蚁，http://www.proxyant.com/，在网站上下载一个压缩包，包里有ProxyAnt5.exe可执行文件，注册后买一些蚁币，选择好服务类型，例如10~35分钟（扣10蚁币），选择好浏览器，例如谷歌Chrome浏览器。

选择好服务类型后，程序就启动了，从Chrome发出的请求就会不停的更换IP。

我们只要确定，我们的py脚本请求是从chrome浏览器发出的就行。

既如下：

header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'}
req = requests.get(url, headers=header, timeout=5, verify=False)

可以从chrome的网络响应中获取User-Agent。