在講完原理之后，現在開始嘗試寫代碼

因為里面涉及太多的選取數據工作。為了避免出現太多變量，我最后是編了一個函數，輸出數據庫

函數部分

#下面開始寫代碼,首先寫一個函數getdata，會輸出一個數據框
getdata<-function(page,urlwithoutpage){
        url=paste0(urlwithoutpage,page) #這里輸入拉勾網沒有頁碼的url
        web<-html(url,encoding="UTF-8") #讀取數據，規定編碼,access用
        list_lagou<-web %>% html_nodes("li.clearfix") #獲得一個清單，15個職位
        title<-list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_text()
        company<-list_lagou %>% html_nodes("div.hot_pos_r div.mb10 a")%>%html_text()
        link<-gsub("\\?source\\=search","",list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_attr("href"))
#接下來的由于數據都存在span里，沒有很好的劃分。這個取數要復雜一些。我在這里，研究他們的表，先取15個完整list，然后用seq等序列取數
#之后要研究是否有更好的方法
#如果有table，可以直接用data.table取數更快。。。
        temp<-list_lagou %>% html_nodes("div.hot_pos_l span")
        city<-temp[seq(1,90,by=6)] %>% html_text()
        salary<-gsub("月薪：","",temp[seq(2,90,by=6)]%>% html_text())
        year<-gsub("經驗：","",temp[seq(3,90,by=6)]%>% html_text())
        degree<-gsub("最低學歷：","",temp[seq(4,90,by=6)]%>%html_text())
        benefit<-gsub("職位誘惑：","",temp[seq(5,90,by=6)]%>% html_text())
        time<-temp[seq(6,90,by=6)]%>%html_text()
        data.frame(title,company,city,salary,year,degree,benefit,time,link)
}

然后是使用該函數，我這里就爬兩頁

#使用該函數，
library(rvest)
url<-"http://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?kd=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=%E6%B7%B1%E5%9C%B3&requestId=&pn="
final<-data.frame()
for (i in 3:5){
        final<-rbind(final,getdata(i,url))        
} #定義個數，把上面的getdata得到的Data.frame合并
head(final)

上面完成了第一個列表。爬出效果如圖

關于這個數據有什么用呢…… 簡單來說，我們可以用它來看這個網上有多少在招的，各公司招人的比例，以及薪資水平，做一點基礎的數據分析。

雖然我現在不跳槽，不過了解一下市場狀況也是不錯的~譬如見下圖，從目前這網上的平均薪資與工作年限的關系來看，數據分析崗至少在職位前五年屬于薪資增長期，初始漲得快，后面漲得慢，但平均應有13%左右的增長？然后這網上目前沒有什么高級崗位開出來（工作5-10年的崗位很少），反而是有些公司搞錯分類，放了一堆數據錄入的到數據分析欄目。。。

值得一提的是，因為數據分析這個類目里包含了不同的類別，如數據錄入的也被歸到數據分析，還有高薪也被歸到這里，所以不能完全按這個做參考。不過這個研究讓我深刻體會到了爬蟲的有效性！好玩！實用！可以用到工作中去:) 還可以像個獵頭一樣了解人才市場~~做個有情調的數據分析師~~

另外，其實我們還可以遍歷JD，看近期是什么技術最吃香，是R還是Python還是SQL還是SAS還是別的啥啥啥。下面是我隨機抽了個JD做的爬蟲?？梢灾苯幽玫较嚓P數據。

final[1,9]
## [1] http://www.lagou.com/jobs/378361.html
## 45 Levels: http://www.lagou.com/jobs/113293.html ...
url<-as.character(final[1,9])
w<-html(url,encoding = "UTF-8")
d<-w %>% html_nodes("dd.job_bt p") %>% html_text()
d
## [1] "1.金融、計算機、財務、經濟相關專業；"
## [2] "2.有證券從業資格證者優先；"          
## [3] "3.想從事文職類工作，對辦公軟件熟悉；"
## [4] "4.可接收已拿到學歷證的應屆畢業生。"  
## [5] "<U+00A0>"

注意事項：

對于被編碼保護的數據（如國外yellow.local.ch，email被編碼保護了。需要用 decodeURIComponent函數反編譯。）

xpath語句對html_nodes適用。但是它好像是全局語句。。就是如果用div[1]//span[4]取數的話，它直接就只出全局的那個結果。。。

如

取數，可以用li.da或者li.daew取數，兩者等價

正則表達式很有用??！尤其是對網頁數據，某些不會寫，或者技術高超不愿意被我們爬蟲的工程師，用rvest去抓數據，會抓到一堆堆亂碼= =這幾天練習下來感受到了無盡惡意

中文，html(data,encoding='UTF-8')還有iconv(data,'utf-8','gbk')可以有效避免大部分亂碼。但是R對中文支持真的很渣。

rvest對于靜態抓取很方便！但是對于腳本訪問的網頁，還需要繼續學習RCurl包。備查資料如下：

javascript數據提取-RCurl包-戴申: 介紹對腳本解析后抓取數據經驗

RCurl提取統計之都論壇數據演示-medo

　等學會了再寫總結。