欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

程序员文章站 2022-05-22 10:18:32
...

总体实现要求

利用Python编写爬虫程序,从招聘网站上爬取数据,使用
Flume监控目录将数据存入到HDFS中,将存入的数据使用Hive进行的数据清洗,结果使用Sqoop存入MySQL,最后将分析的结果做数据可视化。

Scrapy 爬取数据数据

目标网站:51job.com
岗位名称:['数据分析', '大数据开发工程师', '数据采集','Python开发工程师']
爬取范围:全国
爬虫源码:点我

数据爬取结果

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

创建 Hive 处理数据表

Hive 创建的只是数据映射成的表规则

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

Flume 监控目录上传数据

使用Flume监控目录上传数据到 Hive 建表的路径下

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

上传成功

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

使用 Hive 处理数据

在Hive中查看数据

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

Hive 分析数据

(1) 分析“数据分析”、“大数据开发工程师”、“数据采集”等岗位的平均工资、最高工资、最低工资

insert overwrite directory '/res/one'
row format delimited fields terminated by '\t'
select "数据分析" as job_name,
round(avg((job_wages[0] + job_wages[1])/2),2) as job_mean,
min(job_wages[0]) as job_min,
max(job_wages[1]) as job_max
from jobdb.job
where job_name like '%数据分析%'
union
select "大数据开发工程师" as job_name,
round(avg((job_wages[0] + job_wages[1])/2),2) as job_mean,
min(job_wages[0]) as job_min,
max(job_wages[1]) as job_max
from jobdb.job
where job_name like '%大数据开发工程师%'
union
select "数据采集" as job_name,
round(avg((job_wages[0] + job_wages[1])/2),2) as job_mean,
min(job_wages[0]) as job_min,
max(job_wages[1]) as job_max
from jobdb.job
where job_name like '%数据采集%';

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

(2) 分析“数据分析”、“大数据开发工程师”、“数据采集”等大数据相关岗位在成都、北京、上海、广州、深圳的岗位数

insert overwrite directory '/res/two'
row format delimited fields terminated by '\t'
select
"数据分析" as job_name,
cd.chengdu as chengdu,
bj.beijing as beijing,
sh.shanghai as shanghai,
gz.guangzhou as guangzhou,
sz.shenzhen as shenzhen
from 
(select 
"数据分析" as job_name,
count(1) as chengdu
from jobdb.job
where job_name like '%数据分析%' and work_place like '%成都%') as cd
join 
(select 
"数据分析" as job_name,
count(1) as beijing
from jobdb.job
where job_name like '%数据分析%' and work_place like '%北京%') as bj
on cd.job_name = bj.job_name
join 
(select 
"数据分析" as job_name,
count(1) as shanghai
from jobdb.job
where job_name like '%数据分析%' and work_place like '%上海%') as sh
on bj.job_name = sh.job_name
join 
(select 
"数据分析" as job_name,
count(1) as guangzhou
from jobdb.job
where job_name like '%数据分析%' and work_place like '%广州%') as gz
on sh.job_name = gz.job_name
join 
(select 
"数据分析" as job_name,
count(1) as shenzhen
from jobdb.job
where job_name like '%数据分析%' and work_place like '%深圳%') as sz
on gz.job_name = sz.job_name
union
select
"大数据开发工程师" as job_name,
cd.chengdu as chengdu,
bj.beijing as beijing,
sh.shanghai as shanghai,
gz.guangzhou as guangzhou,
sz.shenzhen as shenzhen
from 
(select 
"大数据开发工程师" as job_name,
count(1) as chengdu
from jobdb.job
where job_name like '%大数据开发工程师%' and work_place like '%成都%') as cd
join 
(select 
"大数据开发工程师" as job_name,
count(1) as beijing
from jobdb.job
where job_name like '%大数据开发工程师%' and work_place like '%北京%') as bj
on cd.job_name = bj.job_name
join 
(select 
"大数据开发工程师" as job_name,
count(1) as shanghai
from jobdb.job
where job_name like '%大数据开发工程师%' and work_place like '%上海%') as sh
on bj.job_name = sh.job_name
join 
(select 
"大数据开发工程师" as job_name,
count(1) as guangzhou
from jobdb.job
where job_name like '%大数据开发工程师%' and work_place like '%广州%') as gz
on sh.job_name = gz.job_name
join 
(select 
"大数据开发工程师" as job_name,
count(1) as shenzhen
from jobdb.job
where job_name like '%大数据开发工程师%' and work_place like '%深圳%') as sz
on gz.job_name = sz.job_name
union
select
"数据采集" as job_name,
cd.chengdu as chengdu,
bj.beijing as beijing,
sh.shanghai as shanghai,
gz.guangzhou as guangzhou,
sz.shenzhen as shenzhen
from 
(select 
"数据采集" as job_name,
count(1) as chengdu
from jobdb.job
where job_name like '%数据采集%' and work_place like '%成都%') as cd
join 
(select 
"数据采集" as job_name,
count(1) as beijing
from jobdb.job
where job_name like '%数据采集%' and work_place like '%北京%') as bj
on cd.job_name = bj.job_name
join 
(select 
"数据采集" as job_name,
count(1) as shanghai
from jobdb.job
where job_name like '%数据采集%' and work_place like '%上海%') as sh
on bj.job_name = sh.job_name
join 
(select 
"数据采集" as job_name,
count(1) as guangzhou
from jobdb.job
where job_name like '%数据采集%' and work_place like '%广州%') as gz
on sh.job_name = gz.job_name
join 
(select 
"数据采集" as job_name,
count(1) as shenzhen
from jobdb.job
where job_name like '%数据采集%' and work_place like '%深圳%') as sz
on gz.job_name = sz.job_name

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

(3) 分析大数据相关岗位1-3年工作经验的薪资水平(平均工资、最高工资、最低工资)

insert overwrite directory '/res/three'
row format delimited fields terminated by '\t'
select
'大数据相关岗位1-3年工作经验' as job_name,
round(avg((job_wages[0] + job_wages[1])/2),2) as job_mean,
min(job_wages[0]) as job_min,
max(job_wages[1]) as job_max
from jobdb.job
where job_name like '%大数据%' and work_experience REGEXP '.*[123].*';

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

查看处理完成的数据

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

使用 Sqoop 传输

# HDFS 传输到 MySQL 第一张表
sqoop export \
--connect 'jdbc:mysql://127.0.0.1:3306/shixun?useUnicode=true&characterEncoding=utf-8' \
--username 'root' \
--password '123456' \
--table 'one' \
--export-dir '/res/one/000000_0' \
--fields-terminated-by '\t' \
-m 1

# HDFS 传输到 MySQL 第二张表
sqoop export \
--connect 'jdbc:mysql://127.0.0.1:3306/shixun?useUnicode=true&characterEncoding=utf-8' \
--username 'root' \
--password '123456' \
--table 'two' \
--export-dir '/res/two/000000_0' \
--fields-terminated-by '\t' \
-m 1

# HDFS 传输到 MySQL 第三张表
sqoop export \
--connect 'jdbc:mysql://127.0.0.1:3306/shixun?useUnicode=true&characterEncoding=utf-8' \
--username 'root' \
--password '123456' \
--table 'three' \
--export-dir '/res/three/000000_0' \
--fields-terminated-by '\t' \
-m 1

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

传输MySQL完成

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示

最终结果可视化

(1) 分析“数据分析”、“大数据开发工程师”、“数据采集”等岗位的平均工资、最高工资、最低工资

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示
(2) 分析“数据分析”、“大数据开发工程师”、“数据采集”等大数据相关岗位在成都、北京、上海、广州、深圳的岗位数

使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示
使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示
使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示
(3) 分析大数据相关岗位1-3年工作经验的薪资水平(平均工资、最高工资、最低工资)
使用大数据技术 实现爬取招聘网站 & 处理数据后可视化展示