/
main.py
308 lines (276 loc) · 14.3 KB
/
main.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
import asyncio
import datetime
import json
import os
from ast import literal_eval
from collections import Counter
from typing import Dict, Any, List, Optional, Tuple
import aiohttp
import typing
from dateutil import relativedelta
import pandas as pd
from tqdm.asyncio import tqdm
class Loader:
"""Синглтон для красивого отображения процесса загрузки"""
load: Optional[tqdm] = None
def __new__(cls):
if not hasattr(cls, 'instance'):
cls.instance = super().__new__(cls)
return cls.instance
def __init__(self, desc: str = 'Загрузка данных', total_count: Optional[int] = None) -> type(None):
"""
Создаёт счётчик загрузки
:param desc: str (optional) default = 'Загрузка данных' Название полосы загрузки
:param total_count: (optional) Общее количество итерируемых объектов
"""
if self.load is None:
self.reset(desc=desc, total_count=total_count)
def update(self, count: int) -> None:
if self.load is None:
self.reset()
self.load.update(count)
def reset(self, desc: str = 'Загрузка данных', total_count: Optional[int] = None) -> type(None):
"""
Обновляет счётчик загрузки
:param desc: str (optional) default = 'Загрузка данных' Название полосы загрузки
:param total_count: (optional) Общее количество итерируемых объектов
"""
try:
self.load.close()
except AttributeError:
pass
self.load = tqdm(desc=desc, total=total_count, unit='ШТ', ncols=100)
async def get_response(sem: asyncio.Semaphore, session: aiohttp.ClientSession, url: str,
params: Optional[Dict[str, Any]] = None) -> Optional[Dict[str, Any]]:
"""Отправка запроса
:param url: адрес запроса
:param sem Semaphore Семафор для ограничения количества одновременных запросов
:param params: dict параметры запроса
:param session: сессия для запросов
:return dict возвращает данные ответа, если запрос успешный
"""
async with sem:
response = await session.get(url, params=params)
result: Optional[Dict[str, Any]] = None
if response.status == 200:
try:
result = await response.json()
except aiohttp.ClientPayloadError:
await get_response(sem, session, url, params) # костыль, но работает
else:
Loader().update(1)
elif response.status == 404:
Loader().update(1)
else:
while result is None:
result = await get_response(sem, session, url, params) # костыль, но работает
return result
async def get_items(sem: asyncio.Semaphore, session: aiohttp.ClientSession, params: Dict[str, Any],
page: int = 0) -> list:
"""Асинхронное получение данных
:param sem Semaphore Семафор для ограничения количества одновременных запросов
:param session сессия для запросов
:param params dict первоночальные параметры запроса
:param page (optional) default = 0 Номер начальной страницы
:return list полученные данные
"""
items: List[Any] = []
params.update({'page': page})
data: Optional[Dict[str, Any]] = await get_response(sem, session, 'https://api.hh.ru/vacancies', params)
if data:
items.extend(data['items'])
if data['pages'] and False: # Если есть страницы, то пробегает по всем страницам
while data['pages'] > params['page']:
items.extend(await get_items(sem, session, params, page=params['page'] + 1))
return items
async def get_raw_data() -> asyncio.Future:
"""Загрузка сырых данных"""
now: datetime.datetime = datetime.datetime.now()
start_date: datetime.datetime = now
end_date: datetime.datetime = now
prev_month: datetime.datetime = now - relativedelta.relativedelta(months=1)
async with aiohttp.ClientSession() as session:
tasks = []
sem = asyncio.Semaphore(50)
while start_date > prev_month:
start_date -= datetime.timedelta(hours=1)
params = {
'specialization': 1,
'date_from': start_date.isoformat(),
'date_to': end_date.isoformat(),
'per_page': 100,
}
task = asyncio.ensure_future(get_items(sem, session, params=params))
tasks.append(task)
end_date = start_date
return await asyncio.gather(*tasks)
async def get_detail_raw_data(data: List[int]) -> asyncio.Future:
"""Загрузка подробных сырых данных
:param: data список id вакансий
"""
Loader().reset(desc='Загрузка подробных данных', total_count=len(data))
async with aiohttp.ClientSession() as session:
tasks = []
sem = asyncio.Semaphore(50)
for v_id in data:
task = asyncio.ensure_future(get_response(sem, session, f'https://api.hh.ru/vacancies/{v_id}'))
tasks.append(task)
return await asyncio.gather(*tasks)
def upload_data(file_name: Optional[str] = None) -> pd.DataFrame:
"""Загрузка данных
:param file_name (optional) default = None
:return: DataFrame
"""
file_name: str = file_name or datetime.datetime.now().isoformat()
loop: asyncio = asyncio.get_event_loop()
df: pd.DataFrame = pd.DataFrame([item for items in loop.run_until_complete(get_raw_data()) for item in items])
df.drop_duplicates(subset=['id'], inplace=True)
if not os.path.exists('data'):
os.makedirs('data')
df.to_csv(os.path.join('data', f'{file_name}.csv'))
return df
def load_data(file_name: Optional[str] = None) -> pd.DataFrame:
"""Загружает данные из файла если есть, либо создаёт такой файл
:param file_name: (optional) имя файла
:return: DataFrame данные
"""
file_name: str = file_name or datetime.datetime.now().isoformat()
if os.path.exists(os.path.join('data', f'{file_name}.csv')):
df = pd.read_csv(os.path.join('data', f'{file_name}.csv'))
else:
df = upload_data(file_name)
return df
def load_details_raw_data(file_name: Optional[str] = None) -> pd.DataFrame:
"""Загружает данные из файла если есть, либо создаёт такой файл
:param file_name: (optional) имя файла
:return: DataFrame данные
"""
file_name: str = file_name or datetime.datetime.now().isoformat()
if os.path.exists(os.path.join('data', f'detail_{file_name}.json')):
df: pd.DataFrame = pd.read_json(os.path.join('data', f'detail_{file_name}.json'))
elif os.path.exists(os.path.join('data', f'detail_{file_name}.csv')):
df: pd.DataFrame = pd.read_csv(os.path.join('data', f'detail_{file_name}.csv'))
objs: List[str] = ['key_skills', 'schedule', 'experience', 'address', 'department', 'employment', 'salary',
'insider_interview', 'area', 'employer', 'type', 'test', 'specializations', 'contacts',
'billing_type', 'driver_license_types', 'working_days', 'working_time_intervals',
'working_time_modes']
for obj in objs:
df[obj] = df[obj].apply(lambda x: literal_eval(x) if not pd.isna(x) else None)
else:
df: pd.DataFrame = load_data(file_name)
loop = asyncio.get_event_loop()
data = [item for item in loop.run_until_complete(get_detail_raw_data(list(df['id']))) if item]
json.dump(data, open(os.path.join('data', f'detail_{file_name}.json'), 'w'))
df = pd.DataFrame(data)
df.to_csv(os.path.join('data', f'detail_{file_name}.csv'))
return df
def clear_specializations(data: List[Dict]) -> Tuple[int, List, List, List, List]:
"""
Обработка поля specializations
:param data: dict Данные поля specializations
:return: tuple кортеж из спискох необходимых полей
"""
specializations_id: List[int] = []
specializations_name: List[str] = []
specializations_profarea_id: List[int] = []
specializations_profarea_name: List[str] = []
for dt in data:
specializations_id.append(int(dt['id'].replace('.', '')))
specializations_name.append(dt['name'])
specializations_profarea_id.append(int(dt['profarea_id']))
specializations_profarea_name.append(dt['profarea_name'])
return len(data), specializations_id, specializations_name, list(set(specializations_profarea_id)),\
list(set(specializations_profarea_name))
def clear_data(data: pd.DataFrame) -> pd.DataFrame:
"""
Очищаеются и подготавливаются данные
:param data: DataFrame данные которые необходимо обработать
:return: DataFrame обработанные данные
"""
Loader().reset(desc='Очистка данных', total_count=15)
cleared_df = data[['id', 'key_skills', 'schedule', 'salary', 'name', 'archived',
'specializations', 'experience', 'employment', 'area', 'working_days',
'working_time_intervals', 'working_time_modes', 'accept_temporary']].copy()
Loader().update(1)
# Оставляем только нужные поля
cleared_df['specializations_count'], cleared_df['specializations_id'], cleared_df['specializations_name'],\
cleared_df['specializations_profarea_id'], cleared_df['specializations_profarea_name']\
= zip(*cleared_df['specializations'].apply(clear_specializations)) # Обрабатываем данные поля specializations
Loader().update(1)
for field in ['experience', 'schedule', 'employment', 'area']:
cleared_df[f'{field}_id'], cleared_df[f'{field}_name'] = \
zip(*cleared_df[field].apply(lambda s: (s.get('id'), s.get('name')) if not pd.isna(s) else (None, None)))
Loader().update(1)
for field in ['working_days', 'working_time_intervals', 'working_time_modes']:
cleared_df[f'{field}_count'], cleared_df[f'{field}_id'], cleared_df[f'{field}_name'] = \
zip(*cleared_df[field].apply(
lambda l: (len(l), [i.get('id') for i in l], [i.get('name') for i in l]) if not pd.isna(l) else (
None, None, None)))
Loader().update(1)
cleared_df['salary_from'], cleared_df['salary_to'], cleared_df['currency'], cleared_df['gross'] = \
zip(*cleared_df['salary'].apply(
lambda s: (s.get('from'), s.get('to'), s.get('currency'), s.get('gross')) if not pd.isna(s) else (
None, None, None, None)))
Loader().update(1)
cleared_df['key_skills_count'], cleared_df['key_skills'] = \
zip(*cleared_df['key_skills'].apply(lambda l: (len(l), [s.get('name') for s in l]) if l else (None, None)))
Loader().update(1)
cleared_df = cleared_df[cleared_df['archived'] == False]
Loader().update(1)
cleared_df = cleared_df[cleared_df['currency'] == 'RUR']
Loader().update(1)
cleared_df = cleared_df.drop(['experience', 'schedule', 'employment', 'area', 'experience', 'working_days',
'working_time_intervals', 'working_time_modes', 'specializations', 'salary',
'archived'], axis=1)
Loader().update(1)
return cleared_df
def create_date(file_name: Optional[str] = None) -> pd.DataFrame:
"""Загружает очищенные данные из файла если есть, либо создаёт такой файл
:param file_name: (optional) имя файла
:return: DataFrame данные
"""
file_name: str = file_name or datetime.datetime.now().isoformat()
if os.path.exists(os.path.join('data', f'finall_{file_name}.json')):
df: pd.DataFrame = pd.read_json(os.path.join('data', f'finall_{file_name}.json'))
elif os.path.exists(os.path.join('data', f'finall_{file_name}.csv')):
df: pd.DataFrame = pd.read_csv(os.path.join('data', f'finall_{file_name}.csv'))
objs: List[str] = ['specializations', 'specializations_profarea', 'working_days', 'working_time_intervals',
'working_time_modes']
for obj in objs:
df[f'{obj}_id'] = df[f'{obj}_id'].apply(lambda x: literal_eval(x) if not pd.isna(x) else None)
df[f'{obj}_name'] = df[f'{obj}_name'].apply(lambda x: literal_eval(x) if not pd.isna(x) else None)
else:
df: pd.DataFrame = load_details_raw_data(file_name)
df = clear_data(df)
df.to_json(os.path.join('data', f'finall_{file_name}.json'))
df.to_csv(os.path.join('data', f'finall_{file_name}.csv'))
return df
def show_skills(df: pd.DataFrame) -> None:
"""
Вывод графика наиболее востребованных скиллов
:param df dataframe Данные из которых строится график
"""
key_skills_all: List[str] = []
for row in df['key_skills']:
if row:
key_skills_all.extend(row)
counter_skills: typing.Counter = Counter(key_skills_all)
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('seaborn')
x = [item[0] for item in counter_skills.most_common(10)]
y2 = [item[1] for item in counter_skills.most_common(10)]
fig, ax = plt.subplots()
col = np.random.rand(10, 3)
ax.bar(x, y2, color=col, label='Количество')
ax.legend()
plt.xlabel('Навыки')
plt.ylabel('Количество упоминаний')
plt.xticks(rotation=45) # поворот текста в графике
fig.set_figheight(8)
fig.set_figwidth(12)
plt.show()
if __name__ == '__main__':
df = create_date('test')
show_skills(df)
df.iloc[:6].to_csv(f'final_5_test.csv')