python數據可視化自制職位分析生成崗位分析數據報表
更新時間：2021年09月27日 10:51:53 作者：Dragon少年
之前網上也有不少關于行業(yè)的分析數據，今天我們就根據不同崗位，公司類型規(guī)模，學歷要求，薪資分布等來進行分析，把職位分析功能集合封裝起來，做成一個小工具分享給大家吧
前言
為什么要進行職位分析？職位分析是人力資源開發(fā)和管理的基礎與核心，是企業(yè)人力資源規(guī)劃、招聘、培訓、薪酬制定、績效評估、考核激勵等各項人力資源管理工作的依據。其次我們可以根據不同崗位的職位分析，可視化展示各崗位的數據分析報告。
首先我們來看看分析展示的效果：
下面，我們開始介紹這個小工具的制作過程。
1. 核心功能設計
總體來說，我們的這款職位分析器可以通過輸入崗位關鍵字和崗位條數，自動爬取相關崗位的數據，并對爬蟲的崗位可視化表格展示。然后分析這些崗位數據的公司類型規(guī)模，對學歷要求，薪資分布等。
拆解需求，大致可以整理出核心功能如下：
可視化展示崗位表格數據
通過輸入的崗位關鍵字和獲取條數，自動爬取職位數據對爬蟲的職位原始數據進行清洗讀取展示清洗后的職位數據
分析崗位薪資情況
根據工作年限及對應平均薪資，繪制工作經驗年限和薪資折線圖統計匯總薪資分布區(qū)間，了解該崗位薪資情況，展示薪資分布直方圖
分析崗位公司情況
展示崗位中公司類型分布情況，包含民營企業(yè)、合資、上市、外企等等展示公司規(guī)模人數分布情況，包含少于50人,50-150，150-500等等統計崗位對于學歷的要求
數據分析導出
對于可視化數據進行彈窗預覽，并將數據導出保存
基本的核心功能確定，下面我們我們首先開始GUI設計。
2. GUI設計與實現
基于功能點，我們可以先考慮進行簡單的UE布局設計，然后再通過GUI開發(fā)庫進行設計，這里采用的是tkinker，主要是簡單方便。
基于UI設計，我們gui設計編碼如下：
# 創(chuàng)建主窗口
root = Tk()
root.title('職位查詢分析數據平臺 -- Dragon少年')
# 設置窗口大小
root.minsize(1380, 730)
root.resizable(False, False)
#得到屏幕寬度
sw = root.winfo_screenwidth()
#得到屏幕高度
sh = root.winfo_screenheight()
ww = 1380
wh = 730
x = (sw-ww) / 2
y = (sh-wh) / 2
root.geometry("%dx%d+%d+%d" %(ww,wh,x,y))
frame_left_top = Frame(width=1050, height=400)
frame_right_top = Frame(width=320, height=400)
# 定義列表區(qū)域
tree = ttk.Treeview(frame_left_top, show="headings", height=18,
columns=("n", "a", "b", "c", "d", "e", "f", "g", "h"))
vbar = ttk.Scrollbar(frame_left_top, orient=VERTICAL, command=tree.yview)
# 定義樹形結構與滾動條
tree.configure(yscrollcommand=vbar.set)
# 表格的標題
tree.column("n", width=60, anchor="center")
tree.column("a", width=180, anchor="center")
tree.column("b", width=200, anchor="center")
tree.column("c", width=100, anchor="center")
tree.column("d", width=100, anchor="center")
tree.column("e", width=80, anchor="center")
tree.column("f", width=100, anchor="center")
tree.column("g", width=90, anchor="center")
tree.column("h", width=90, anchor="center")
tree.heading("n", text="序號")
tree.heading("a", text="崗位名稱")
tree.heading("b", text="公司名稱")
tree.heading("c", text="公司類型")
tree.heading("d", text="公司規(guī)模")
tree.heading("e", text="學歷")
tree.heading("f", text="工作經驗")
tree.heading("g", text="最低工資（k）")
tree.heading("h", text="最高工資（k）")
tree.grid(row=0, column=0, sticky=NSEW)
vbar.grid(row=0, column=1, sticky=NS)
# 整體區(qū)域定位
frame_left_top.grid(row=0, column=0, padx=4, pady=5)
frame_right_top.grid(row=0, column=1, padx=2, pady=2)
frame_left_top.grid_propagate(0)
frame_right_top.grid_propagate(0)
type_str=StringVar()
#設置滾動窗口文本
habits = tk.LabelFrame(root, text="公司類型", padx=10, pady=4 ) # 水平，垂直方向上的邊距均為 10
habits.place(x=1035, y=170)
habits_Window = Label(habits, textvariable=type_str, width=30, height=10, font=('楷體', 12))
habits_Window.grid()
size_str=StringVar()
#設置滾動窗口文本
company_size = tk.LabelFrame(root, text="公司規(guī)模", padx=10, pady=4 ) # 水平，垂直方向上的邊距均為 10
company_size.place(x=1035, y=370)
company_size_Window = Label(company_size, textvariable=size_str, width=30, height=8, font=('楷體', 12))
company_size_Window.grid()
edu_str=StringVar()
#設置滾動窗口文本
company_edu = tk.LabelFrame(root, text="學歷要求", padx=10, pady=4 ) # 水平，垂直方向上的邊距均為 10
company_edu.place(x=1035, y=540)
company_edu_Window = Label(company_edu, textvariable=edu_str, width=30, height=8, font=('楷體', 12))
company_edu_Window.grid()
# 打開文件
# right_top_button = Button(frame_right_top, text="打開文件", command=lambda :openFile(), font=('楷體', 12))
input_name = Label(frame_right_top, text='崗位關鍵字:', font=('楷體', 12)).place(x=0, y=10)
label = StringVar()
entry = Entry(frame_right_top, bg='#ffffff', width=20, textvariable=label, font=('楷體', 12)).place(x=120, y=10)
input_num = Label(frame_right_top, text='數據條數:', font=('楷體', 12)).place(x=0, y=50)
label_num = StringVar()
entry_num = Entry(frame_right_top, bg='#ffffff', width=15, textvariable=label_num, font=('楷體', 12)).place(x=80, y=50)
btn_search = Button(frame_right_top, text="查詢輸出", command=lambda :openFile(label, label_num), font=('楷體', 12)).place(x=210, y=50)
right_pic_button = Button(frame_right_top, text="工作經驗對應薪資圖", command=lambda: show_plot(), font=('楷體', 12)).place(x=0, y=90)
right_hist_button = Button(frame_right_top, text="工資分布圖", command=lambda: show_hist(), font=('楷體', 12)).place(x=180, y=90)
right_data_button = Button(frame_right_top, text="數據分析", command=lambda: show_data(), font=('楷體', 12)).place(x=0, y=130)
主界面中各個控件創(chuàng)建，主要包含label-文本，Entry-文本輸入框，Treeview-表格樹，LabelFrame-控件容器等等。
效果如下：
3. 功能實現
我們明確功能點以及有了GUI布局后，可以正式開始實現功能邏輯。
3.1 職位數據爬蟲
關于職位數據爬取，我們爬取的是51job的數據，編寫一個函數。按照核心功能要求，這個函數通過參數職位關鍵字及數據條數，自動爬取并將數據保存。
首先我可以通過對51job職位搜索頁面進行分析，獲取一個列表頁，代碼如下：
# 獲取一個列表頁
def geturl(url):
headers = {
'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
# 使用通用爬蟲對url進行一頁進行爬取
page_text = requests.get(url=url, headers=headers).text # 每一頁源碼用text
# print(page_text)
return page_text
其次通過對具體職位頁面數據分析，獲取列表頁的所有崗位信息。主要包含崗位名稱、公司名稱、薪資水平、公司類型、招聘條件、福利待遇等等。代碼如下：
# 獲取列表頁的所有崗位信息
def get_data(page_text):
# 正則表達式提取崗位信息
job_href = '"job_href":"(.*?)"' # 崗位鏈接
job_name = '"job_name":"(.*?)"' # 崗位名稱
com_href = '"company_href":"(.*?)"' # 公司鏈接
com_name = '"company_name":"(.*?)"' # 公司名稱
salary = '"providesalary_text":"(.*?)"' # 薪資水平
company_type = '"companytype_text":"(.*?)"' # 公司類型
attribute = '"attribute_text":\[(.*?)\]' # 招聘條件
work_area = '"workarea_text":"(.*?)"' # 工作地點
company_size = '"companysize_text":"(.*?)"' # 公司規(guī)模
company_ind = '"companyind_text":"(.*?)"' # 主要業(yè)務
job_welf = '"jobwelf":"(.*?)"' # 福利待遇
# 第一個參數是規(guī)則，第二個參數是被檢索內容，第三個參數re.S是單行匹配
jobName_list = re.findall(job_name, page_text, re.S)
comName_list = re.findall(com_name, page_text, re.S)
salary_list = re.findall(salary, page_text, re.S)
companytype_list = re.findall(company_type, page_text, re.S)
attribute_list = re.findall(attribute, page_text, re.S)
workarea_list = re.findall(work_area, page_text, re.S)
companysize_list = re.findall(company_size, page_text, re.S)
companyind_list = re.findall(company_ind, page_text, re.S)
jobwelf_list = re.findall(job_welf, page_text, re.S)
all_list = [jobName_list, comName_list, salary_list,
companytype_list, attribute_list, workarea_list, companysize_list,
companyind_list, jobwelf_list]
return all_list
最后將獲取崗位數據保存至csv文件中，方便后面對這些數據進行清洗。主要代碼如下：
# 主函數
def main(kw, num):
# 關鍵字二次轉譯
# kw = input("請輸入你要搜索的崗位關鍵字：")
keyword = parse.quote(parse.quote(kw))
page_num = 0
col = ["崗位名稱", "公司名稱", "薪資水平", "公司類型", "招聘條件", "工作地點", '公司規(guī)模', '主要業(yè)務', '福利待遇']
csv_file = open("51job.csv", "w+", encoding='utf-8', newline='')
try:
writer = csv.writer(csv_file)
writer.writerow(col)
for i1 in range(0, num): # 爬取前3頁數據
page_num += 1
url = "https://search.51job.com/list/080000,000000,0000,00,9,99," + keyword + ",2," + str(
page_num) + ".html"
page_text = geturl(url)
all_list = get_data(page_text)
if len(all_list[0]) == 0:
print('沒有搜索到職位信息')
break
else:
print('正在爬取第%d頁' % page_num)
save_data(all_list, writer, search_num=len(all_list[0]))
finally:
csv_file.close()
3.2 數據預處理
我們通過爬蟲已經拿到了原始數據，接下來我們需要將這些數據清洗，去除異常值、缺失值，轉換我們要的數據格式。
首先我們可以對工作地點進行整理，我們爬取的數據，默認都是浙江省，我們按照浙江省各個地級市進行工作地點轉換，代碼如下：
job = pd.read_csv("51job.csv", encoding='utf-8')
df = pd.DataFrame(job)
dict_city = {'杭州': 0, '湖州': 0, '紹興': 0, '寧波': 0, '嘉興': 0, '麗水': 0, '臺州': 0, '溫州': 0, '金華': 0, '衢州': 0, '舟山': 0}
city = df.loc[:, "工作地點"]
print(city.shape[0])
for i in range(city.shape[0]):
# print(city[i])
for k, v in dict_city.items():
# print(k, v)
if k in city[i]:
dict_city[k] = dict_city[k] + 1
df.loc[i, "城市"] = k
break
# print(list(dict_city.keys()))
# print(list(dict_city.values()))
city_df = df["城市"]
if np.any(pd.notnull(df["城市"])):
df["城市"].fillna("其他", inplace=True)
# print(df["城市"].value_counts())
接著我們需要將原始數據得到的工資進行格式轉換，轉換成 k/月固定格式，并將整理的薪資數據單獨存儲保存下來。主要代碼如下：
def get_salary(salary):
if '-' in salary: # 針對1-2萬/月或者10-20萬/年的情況，包含-
low_salary = re.findall(re.compile('(\d*\.?\d+)'), salary)[0]
high_salary = re.findall(re.compile('(\d?\.?\d+)'), salary)[1]
if u'萬' in salary and u'年' in salary: # 單位統一成千/月的形式
low_salary = round(float(low_salary) / 12 * 10, 1)
high_salary = round(float(high_salary) / 12 * 10, 1)
elif u'萬' in salary and u'月' in salary:
low_salary = float(low_salary) * 10
high_salary = float(high_salary) * 10
else: # 針對20萬以上/年和100元/天這種情況，不包含-，取最低工資，沒有最高工資
low_salary = re.findall(re.compile('(\d*\.?\d+)'), salary)[0]
if u'萬' in salary and u'年' in salary: # 單位統一成千/月的形式
low_salary = round(float(low_salary) / 12 * 10, 1)
elif u'萬' in salary and u'月' in salary:
low_salary = float(low_salary) * 10
elif u'元' in salary and u'天' in salary:
low_salary = round(float(low_salary) / 1000 * 21, 1) # 每月工作日21天
elif u'元' in salary and u'小時' in salary:
low_salary = round(float(low_salary) / 1000 * 8 * 21, 1) # 每天8小時，每月工作日21天
high_salary = low_salary
return low_salary, high_salary
job = pd.read_csv("51job_pre.csv", encoding='utf-8')
job_df = job.drop("福利待遇", axis=1)
job_df = job_df.dropna(axis=0, how="any")
for index, row in job_df.iterrows():
salary = row["薪資水平"]
if salary: # 如果待遇這欄不為空，計算最低最高待遇
getsalary = get_salary(salary)
low_salary = getsalary[0]
high_salary = getsalary[1]
else:
low_salary = high_salary = "0"
job_df.loc[index, "最低工資（k）"] = low_salary
job_df.loc[index, "最高工資（k）"] = high_salary
job_df.loc[index, "平均工資（k）"] = round((float(low_salary) + float(high_salary)) / 2, 1)
job_df.to_csv("./51job_pre2.csv", index=False)
薪資整理結束之后，我們通過觀察可以看到招聘條件列中有我們需要的學歷和工作經驗等數據，我們需要提取出單獨的學歷，工作經驗等數據。代碼如下：
job_df.to_csv("./51job_pre2.csv", index=False)
job_df = pd.read_csv("51job_pre2.csv", encoding='utf-8')
job_df["學歷"] = job_df["招聘條件"].apply(lambda x: re.findall("本科|大專|高中|中專|碩士|博士|初中及以下", x))
job_df["工作經驗"] = job_df["招聘條件"].apply(lambda x: re.findall(r',".*經驗"|,"在校生/應屆生"', x))
job_df["學歷"] = job_df["學歷"].apply(func)
job_df["工作經驗"] = job_df["工作經驗"].apply(func2)
# 薪資水平,公司類型,招聘條件,工作地點,公司規(guī)模,主要業(yè)務,城市,最低工資（k）,最高工資（k）,平均工資（k）
job_df = job_df.drop(["薪資水平", "招聘條件", "工作地點", "主要業(yè)務", "城市"], axis=1)
job_df = job_df.dropna(axis=0, how="any")
job_df.to_csv("./51job_analysis.csv", index=False)
原始數據清洗整理完畢，我們就可以繼續(xù)編寫GUI的數據展示了。
3.3 崗位數據展示
上面我們已經拿到了需要的數據，首先我們可以通過讀取保存的數據表格，可視化展示崗位數據表格。代碼主要如下：
def read_csv_define(csv_path):
x = tree.get_children()
for item in x:
tree.delete(item)
global job_df
job_df = pd.read_csv(csv_path, encoding='utf-8')
# print(job_df.shape[0])
for i in range(job_df.shape[0]):
tree.insert("", "end",
values=(i+1, job_df.loc[job_df.index[i], "崗位名稱"], job_df.loc[job_df.index[i], "公司名稱"],\
job_df.loc[job_df.index[i], "公司類型"], job_df.loc[job_df.index[i], "公司規(guī)模"], \
job_df.loc[job_df.index[i], "學歷"],job_df.loc[job_df.index[i], "工作經驗"], \
job_df.loc[job_df.index[i], "最低工資（k）"], job_df.loc[job_df.index[i], "最高工資（k）"]))
def openFile(label, label_num):
sname = label.get()
num_str = label_num.get()
num = int(num_str)
rep.main(sname, int(num/50))
pre.main()
Filepath = "./51job_analysis.csv"
# 打開文件選擇對話框
# Filepath = filedialog.askopenfilename(filetypes=[('表格', '*.xls;*.csv')]) #過濾文件后綴類型
# print(os.path.split(Filepath))
(filepath, tempfilename) = os.path.split(Filepath) # 右側的值是元組類型
try:
# Filepath 當路徑存在的時候繼續(xù)
if Filepath:
# 傳輸excel表格的路徑
# 調用讀取數據的函數，趁著用戶正在查看查詢條件的時候 將數據注入到全局變量中 減少查詢等待
# 由于兩種表格文件的讀取模塊不同，需要做處理判斷屬于哪種文件類型，故采用下邊的方式進行判斷
# 從文件名中分離出后綴
(filename, extension) = os.path.splitext(tempfilename)
if extension == '.xls' or extension == '.XLS':
read_xls(Filepath)
elif extension == '.csv':
read_csv_define(Filepath)
else:
print('未選擇任何文件!')
# exit_program()
except Exception as e:
global job_df
job_df = pd.DataFrame()
tkinter.messagebox.showwarning('警告', '文件讀取異常，請檢查！')
print("ex:", e)
finally:
size_str.set("")
type_str.set("")
edu_str.set("")
canvas_spice.get_tk_widget().destroy()
canvas_spice_hist.get_tk_widget().destroy()
效果如下：
3.4 薪資圖表可視化
接下來我們可以對不同工作經驗年限對應的薪資統計，繪制縮略折線圖。代碼如下：
def show_plot():
global canvas_spice
canvas_spice.get_tk_widget().destroy()
# 圖像及畫布
fig, ax = plt.subplots(figsize=(5, 3.2), dpi=100) # 圖像比例
canvas_spice = FigureCanvasTkAgg(fig, root)
canvas_spice.get_tk_widget().place(x=5, y=400) # 放置位置
work_experience = round(job_df.groupby(by='工作經驗')['平均工資（k）'].mean(), 2)
experience_list = ["無需經驗", "1年經驗", "2年經驗", "3-4年經驗", "5-7年經驗"]
experience_val = [work_experience[i] for i in experience_list]
x = range(len(experience_list))
y = experience_val
plt.plot(x, y)
plt.xticks(x, experience_list, fontsize=6)
plt.grid(True, linestyle="--", alpha=0.5)
plt.xlabel("工作經驗", fontsize=8)
plt.ylabel("平均工資（k）", fontsize=8)
plt.title("工作經驗對應薪資折線圖", fontsize=8)
canvas_spice.draw()
canvas_spice.get_tk_widget().bind("<Double-Button-1>", xFunc1)
通過統計崗位數據中平均薪資數據，繪制出薪資分布直方圖，展示該職位的平均薪資分布情況。代碼如下：
def show_hist():
global canvas_spice_hist
canvas_spice_hist.get_tk_widget().destroy()
# 圖像及畫布
fig_hist, ax_hist = plt.subplots(figsize=(5, 3.2), dpi=100) # 圖像比例
canvas_spice_hist = FigureCanvasTkAgg(fig_hist, root)
canvas_spice_hist.get_tk_widget().place(x=520, y=400) # 放置位置
plt.hist(job_df["平均工資（k）"].values, bins=10)
# 求出最小值
max_ = job_df["平均工資（k）"].max()
min_ = job_df["平均工資（k）"].min()
# 修改刻度
plt.xticks(np.linspace(min_, max_, num=11),fontsize=7)
# 添加網格
plt.grid()
plt.xlabel("平均工資（k）", fontsize=8)
plt.ylabel("崗位數量", fontsize=8)
plt.title("工資分布直方圖", fontsize=8)
canvas_spice_hist.draw()
canvas_spice_hist.get_tk_widget().bind("<Double-Button-1>", xFunc2)
效果如下：
除了主界面之外，我們在繪制完圖表之后希望能直接彈窗預覽展示，因此也需要一個用于瀏覽圖片的界面與功能，這部分整體會放在后續(xù)預覽保存模塊講解。
3.5 崗位公司情況統計
我們還可以對不同的公司規(guī)模、類型、對崗位學歷要求等進行數據分析展示：
def show_data():
company = job_df.loc[:, "公司類型"].value_counts()
type_name = list(company.index)
x = range(len(type_name))
content = ""
for item in x:
content += type_name[item] + '----' + str(company[item]) + '\n'
type_str.set(content)
company = job_df.loc[:, "公司規(guī)模"].value_counts()
company_scale = company.index.to_list()
z = range(len(company_scale))
size_content = ""
for item in z:
size_content += company_scale[item] + '----' + str(company[item]) + '\n'
size_str.set(size_content)
education = job_df.loc[:, "學歷"].value_counts()
education_scale = education.index.to_list()
y = range(len(education_scale))
edu_content = ""
for item in y:
edu_content += education_scale[item] + '----' + str(education[item]) + '\n'
edu_str.set(edu_content)
效果如下：
3.6 預覽保存
我們在前面有提到，對于繪制好的圖表，希望可以彈出預覽保存，這里實現這個功能，采用的是畫布綁定左鍵雙擊事件，彈出的子窗體同樣可以綁定右鍵事件， 通過事件適配器傳遞圖片參數。
def handlerAdaptor(fun, **kwds):
return lambda event, fun= fun, kwds= kwds:fun(event, **kwds)
def xFunc2(event):
top = Toplevel()
top.title('圖像導出')
top.minsize(700, 450)
top.resizable(False, False)
# 得到屏幕寬度
sw = root.winfo_screenwidth()
# 得到屏幕高度
sh = root.winfo_screenheight()
ww = 700
wh = 450
x = (sw - ww) / 2
y = (sh - wh) / 2
top.geometry("%dx%d+%d+%d" % (ww, wh, x, y))
top.transient(root)
top.grab_set()
# 圖像及畫布
fig, ax = plt.subplots(figsize=(7, 4.5), dpi=100) # 圖像比例
canvas_spice = FigureCanvasTkAgg(fig, top)
canvas_spice.get_tk_widget().place(x=1, y=1) # 放置位置
plt.hist(job_df["平均工資（k）"].values, bins=10)
# 求出最小值
max_ = job_df["平均工資（k）"].max()
min_ = job_df["平均工資（k）"].min()
# 修改刻度
plt.xticks(np.linspace(min_, max_, num=11), fontsize=10)
# 添加網格
plt.grid()
plt.xlabel("平均工資（k）", fontsize=12)
plt.ylabel("崗位數量", fontsize=12)
plt.title("工資分布直方圖", fontsize=15)
plt.savefig("hist.png")
canvas_spice.draw()
canvas_spice.get_tk_widget().pack()
img_pl = Image.open("hist.png").copy()
os.remove("hist.png")
canvas_spice.get_tk_widget().bind("<Button-3>", handlerAdaptor(saveimg, img=img_pl))
效果如下：
然后我們可以對預覽的圖片進行保存：
def saveimg(event, img):
Filepath = filedialog.asksaveasfilename(filetypes=[('圖像', '*.png;')])
if Filepath:
if not Filepath.endswith(('.png')):
Filepath += '.png'
# 保存獲得的圖像
img.save(Filepath, 'png')
tkinter.messagebox.showinfo("提示", "保存成功！")
HWND = win32gui.GetFocus() # 獲取當前窗口句柄
win32gui.PostMessage(HWND, win32con.WM_CLOSE, 0, 0)
至此，自制的職位分析器小工具就編碼完成啦~
下面，我一鍵獲取生成設計師職位的分析報告：
從上面的分析報告中，不難看出：
- 設計師職業(yè)的薪資水平在工作經驗5年以上，薪資會有較大的漲幅。
- 行業(yè)的平均薪資分布主要在6k-14k左右。
- 設計行業(yè)的公司大部分是民營，公司人數在500人以下。
- 對于設計的學歷要求大部分是大專及以上。
好了，今天就到這里，明天我們繼續(xù)努力！
創(chuàng)作不易，白嫖不好，各位的支持和認可，就是我創(chuàng)作的最大動力，我們下篇文章見！
Dragon少年 | 文
如果本篇博客有任何錯誤，請批評指教，不勝感激 ！
以上就是python數據可視化自制職位分析生成崗位分析數據報表的詳細內容，更多關于python數據可視化生成職位分析數據報表的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要為大家介紹了Python?OpenCV基于HSV的顏色分割實現示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-06-06
這篇文章主要介紹了Python Flask前端自動登錄功能實現，本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-10-10
這篇文章主要介紹了python requests 測試代理ip是否生效的相關資料,需要的朋友可以參考下2018-07-07
這篇文章主要介紹了Python連接數據庫進行數據查詢的操作代碼,本文給大家介紹的非常詳細,感興趣的朋友跟隨小編一起看看吧2024-06-06
這篇文章主要介紹了基于Python正確讀取資源文件,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09
Python中還原JavaScript的escape函數編碼后字符串的方法
這篇文章主要介紹了Python中解析JavaScript的escape函數編碼后字符串的方法,即Python中如何還原JavaScript escape函數編碼后的字符串,需要的朋友可以參考下2014-08-08
這篇文章主要為大家詳細介紹了如何利用Python編寫一個自動化部署工具，文中的示例代碼講解詳細，具有一定的學習價值，需要的可以了解一下2023-07-07
隊列是一種先進先出（First-In-First-Out，FIFO）的數據結構。隊列被用在很多地方，比如提交操作系統執(zhí)行的一系列進程、打印任務池等，一些仿真系統用隊列來模擬銀行或雜貨店里排隊的顧客。下面就介紹了Python中隊列的應用實戰(zhàn)，需要的可以參考。2017-02-02
scrapy+scrapyd+gerapy?爬蟲調度框架超詳細教程
Scrapy吸引人的地方在于它是一個框架，任何人都可以根據需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持，這篇文章主要介紹了scrapy+scrapyd+gerapy?爬蟲調度框架超詳細教程,需要的朋友可以參考下2022-06-06
Python?matplotlib實戰(zhàn)之雷達圖繪制
雷達圖（Radar?Chart）,也被稱為蛛網圖或星型圖,是一種用于可視化多個變量之間關系的圖表形式,本文主要為大家介紹了如何使用Matplotlib繪制雷達圖,需要的小伙伴可以參考下2023-08-08