概述
爬取部分
- 获得职位要求页面的url
def download(url):
driver = webdriver.Firefox()
driver.get(url) #访问链接
pagesource = driver.page_source
driver.close() #关闭
soup = BeautifulSoup(pagesource, "lxml")
find_url = soup.find_all(class_="contentpile__content__wrapper__item__info")
for tmp in find_url:
job_demand_list.append(tmp['href'])
- 获取职位要求页面的内容
def get_demand(url):
header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36"}
request = urllib.request.Request(url, headers=header)
request.add_header("Connection", "keep-live")
response = urllib.request.urlopen(request)
source = response.read().decode('utf-8')
return source
- 保存职位要求到文件
f = open('work_demand.txt','w',encoding='utf-8')
#文件操作符 文件句柄 文件操作对象
for url2 in job_demand_list:
pagesource2 = get_demand(url2)
soup2 = BeautifulSoup(pagesource2, "lxml")
job_ask = soup2.find_all(class_="pos-ul")
if job_ask[0].children:
if job_ask[0].find_all('span'):
for child in job_ask[0].find_all('span'):
if child.string:
print(child.string)
f.write(child.string)
elif job_ask[0].find_all('p'):
for child in job_ask[0].find_all('p'):
if child.string:
print(child.string)
f.write(child.string)
elif job_ask[0].find_all('div'):
for child in job_ask[0].find_all('div'):
if child.string:
print(child.string)
f.write(child.string)
else:
for job_ask_info in job_ask[0]:
if job_ask_info.string:
print(job_ask_info.string)
f.write(job_ask_info.string)
f.close() #关闭文件
- 绘制词云(这里用了github词云开源项目github:https://github.com/amueller/word_cloud)
def grey_color_func(word, font_size, position, orientation, random_state=None,**kwargs):
return "hsl(0, 0%%, %d%%)" % random.randint(60, 100)
d = path.dirname(__file__) if "__file__" in locals() else os.getcwd()
mask = np.array(Image.open(path.join(d, "stormtrooper_mask.png")))
text = open(path.join(d, 'work_demand.txt'), encoding='utf-8').read()
# 字符替换(把无关紧要的字符用空白符替换)
text = text.replace("岗位职责", "").replace("电子信息", "").replace("电气", "").replace("岗位方向", "")
text = text.replace("任职要求", "").replace("计算机", "").replace("自动化", "").replace("测控", "").replace("岗位要求", "")
text = text.replace("软件工程", "").replace("网络", "").replace("机电", "").replace("生仪", "").replace("任职要求", "")
text = text.replace("这既是挑战", "").replace("又是机遇", "").replace("大专及以上学历", "").replace("数学或英语等专业", "")
text = text.replace("签订正式", "").replace("劳动合同", "").replace("交通补贴", "").replace("定期加薪", "")
text = text.replace("福利待遇", "").replace("定期团建", "").replace("员工旅游", "").replace("免费培训", "")
text = text.replace("免费宿舍", "").replace("交通补助", "").replace("薪资待遇", "").replace("本职位为日本工作职位", "")
text = text.replace("简历请写明日语等级", "").replace("职业背景", "").replace("温馨提示", "").replace("高级工程师", "")
text = text.replace("在薪酬待遇方面", "").replace("远高于其他程序员", "").replace("感谢配合", "").replace("工作地点", "")
stopwords = set(STOPWORDS)
stopwords.add("int")
stopwords.add("ext")
wc = WordCloud(max_words=1000, mask=mask, stopwords=stopwords, margin=10,random_state=1, font_path="simkai.ttf").generate(text)
default_colors = wc.to_array()
plt.title("Custom colors")
plt.imshow(wc.recolor(color_func=grey_color_func, random_state=3),
interpolation="bilinear")
wc.to_file("zhaoping.png")
plt.axis("off")
plt.figure()
plt.title("Default colors")
plt.imshow(default_colors, interpolation="bilinear")
plt.axis("off")
plt.show()
完整代码至我github地址https://github.com/cllx/spider_to_wordcloud
最后
以上就是忧虑铅笔为你收集整理的python3利用urllib和beautifulsoup爬取并做成词云的全部内容,希望文章能够帮你解决python3利用urllib和beautifulsoup爬取并做成词云所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
发表评论 取消回复