實習(xí)僧招聘網(wǎng)爬蟲數(shù)據(jù)可視化

本來對實習(xí)僧網(wǎng)站是沒什么好感的，因為之前自己在實習(xí)僧上投的實習(xí)簡歷幾乎全部都石沉大海了（一個文科生偏要去投數(shù)據(jù)分析崗不碰壁才怪~_~）！

然鵝看到最近知乎爬蟲圈兒里的兩大趨勢：爬美圖；爬招聘網(wǎng)站。

后來大致了解下了，幾乎各類大型的招聘文章都被別人爬過了，自己再去寫免不了模仿之嫌，而且大神們都是用Python去爬的（Python我剛學(xué)會裝包和導(dǎo)數(shù)據(jù)），自己也學(xué)不來。

現(xiàn)在只能選一個還沒怎么被盯上的招聘網(wǎng)站，沒錯就它了——實習(xí)僧。

說老實話，實習(xí)僧的網(wǎng)站做的還是不錯的，看著結(jié)構(gòu)挺簡單，可是我用比較主流的Rvest和RCurl都失敗了（主要自己技術(shù)太渣了，抓包又抓不好）。最后只能勉強(qiáng)用RSelenium爬完了全部所需內(nèi)容。（用代碼驅(qū)動瀏覽器的好處就是不用怎么考慮時延和偽裝包頭了，但是要遍歷成百上千頁網(wǎng)址真的很耗時，爬完這個數(shù)據(jù)用了大約40多分鐘）。

以下是爬蟲部分：

library(rvest)
library(stringr)
library(plyr)
library(dplyr)
library(Rwebdriver)
library(dplyr)
library(Rwordseg)
library(wordcloud2)
library(treemap)
library(showtext)
library(Cairo)
library(ggplot2)
library(scales)
library(grid)
library(RColorBrewer)
library(ggimage)
library(geojsonio)

本文主要用的Rwebdriver包來驅(qū)動Chrome瀏覽器，使用該包需要提前配置好桌面環(huán)境：

下載selenium啟動服務(wù)器；
下載Chrome的chromedriver插件并放入Chrome主目錄（添加系統(tǒng)環(huán)境變量）
下載Rwebdriver包

在cmd或者powershell中啟動Selenium服務(wù)器：

options(stringsAsFactors=FALSE,warn=FALSE)
cd "D:/Rwebdriver-master"
java -jar selenium-server-standalone-3.3.1.jar

在Rsudio中新建進(jìn)程：
start_session(root="http://localhost:4444/wd/hub/",browser="chrome")

遍歷實習(xí)僧的招聘信息網(wǎng)頁
baseurl<-"http://www.shixiseng.com/interns?k=&t=zh&c=%E5%85%A8%E5%9B%BD&p="
pageurl<-paste0(baseurl,1:500)

本文所用到的爬蟲代碼部分：
homepage=internship=companyweb=company=Position=address=salary=period=duration=NULL
fun<-function(url){
post.url(url=url)
baseinfo<-read_html(url,encoding="utf-8")
homepage <-baseinfo%>%html_nodes("div.po-name>div.names>a")%>% html_attr("href")
internship<-baseinfo%>%html_nodes("div.po-name>div.names>a")%>%html_text()
companyweb<-baseinfo%>%html_nodes("div.po-name>div.part>a")%>%html_attr("href")
company <-baseinfo%>%html_nodes("div.po-name>div.part>a")%>%
html_text()
Position <-baseinfo%>%html_nodes("div.po-name>div.part")%>%
html_text()
address <-baseinfo%>%html_nodes("div.po-detail>div.addr>span")%>%
html_text()
salary <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(2)")%>%
html_text()
period <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(5)")%>%
html_text()
duration <-baseinfo%>%html_nodes("div.po-detail>div.xz>span:nth-child(8)")%>%
html_text()
interninfo<-data.frame(homepage,internship,companyweb,company,Position,address,salary,period,duration)
}

用一個循環(huán)執(zhí)行上述程序：
final<-data.frame()
for (i in pageurl){
final<-rbind(final,fun(i))
}
quit_session()

DT::datatable(final)

保存本地：

write.table (final,"D:/R/File/shixiseng.csv",sep=",",row.names=FALSE)

##############################################

接下來做數(shù)據(jù)清洗：
mydata<-read.csv("D:/R/File/shixiseng.csv",stringsAsFactors=FALSE,check.names=FALSE)
mydata<-mydata[-5001,]
#補(bǔ)全實習(xí)發(fā)布單位的招聘信息主頁：
mydata$homepage<-str_c("http://www.shixiseng.com",mydata$homepage,sep="")
#補(bǔ)全實習(xí)發(fā)布單位的公司信息主頁：
mydata$companyweb<-str_c("http://www.shixiseng.com",mydata$companyweb,sep="")
mydata$work<-str_split(mydata$Position[1:10], " - ", simplify=TRUE)[,2]
#清除salary中的空格和斜杠
mydata$salary<-str_trim(mydata$salary,side="both")
mydata$salary<-str_extract(mydata$salary,"\d+\-\d+")
#拆分實習(xí)工資的高低區(qū)間
mydata$salary_low<-str_split(mydata$salary, "-", simplify=TRUE)[,1]
mydata$salary_high<-str_split(mydata$salary, "-", simplify=TRUE)[,2]
#清除period中的漢字和特殊字符
mydata$period<-str_extract(mydata$period,"\d+")
#清除duration中的漢字和特殊字符
mydata$duration<-str_extract(mydata$duration,"\d+")
mydata <- tbl_df(mydata)
mydata<-select(mydata,-Position)
#因為address中所含的地址可能有存在多個，影響我們后續(xù)的可視化分析，這里為了方便起見，一律使用第一個地址。
mydata$address_unique<-str_split(mydata$address, ",", simplify=TRUE)[,1]
至此，數(shù)據(jù)清洗工作告一段落，接下來我們要進(jìn)入分析與可視化階段

names(mydata)
"homepage"-------公司實習(xí)職位簡介
"internship"-----公司招聘性質(zhì)
"companyweb"-----公司主頁
"company"--------公司名稱
"address"--------所在地
"address_unique"-所在地（唯一值，只取默認(rèn)第一個地址）
"salary"---------實習(xí)工資區(qū)間
"salary_low"-----實習(xí)工資（最低值）
"salary_high"----實習(xí)工資（最高值）
"period"---------到崗天數(shù)（每周）
"duration"-------實習(xí)周期（按月算）
"work"-----------具體職位

我們最終獲取的清洗后數(shù)據(jù)如上所示。

假如本次項目需求（虛擬）要求我們獲取以下幾個問題：

1、實習(xí)僧的實習(xí)招聘主頁崗位主要是什么性質(zhì)的？

2、哪些公司最缺實習(xí)僧？

3、實習(xí)崗位具體分布的地域和城市？

4、哪些城市對實習(xí)僧的需要最為強(qiáng)烈？

5、實習(xí)工資大致什么水平，與城市和地域是否有關(guān)系？

6、實習(xí)崗位一般都要求每周到崗多少天？

7、實習(xí)周期一般需要多長時間？

8、哪些職位需求最為頻繁，職位需要量與城市之間的大致是如何分布的？

帶著這些個問題，讓我們盡情的暢游在可視化的世界里吧……

1、實習(xí)僧的實習(xí)招聘主頁主要是什么性質(zhì)的？

length(unique(mydata$internship))

3357

絕望了，一共爬了5000條實習(xí)職位信息，做了去重處理，顯示仍有3357條，建議實習(xí)僧的產(chǎn)品運營團(tuán)隊考慮下要不要標(biāo)準(zhǔn)化一下這個職位性質(zhì)，內(nèi)門怎么可以創(chuàng)造這么多獨特的職位~_~

對于這個問題，真的難倒我了，因為所爬數(shù)據(jù)中的職位性質(zhì)沒有統(tǒng)一的預(yù)設(shè)標(biāo)準(zhǔn)，所以我只能用文本分詞的形式來進(jìn)行提取了，先分詞，然后統(tǒng)計高頻詞，最后按照詞頻來進(jìn)行模糊分析啦（可我我對文本挖掘一竅不通啊~_~）

top100<-table(mydata$internship)%>%as.data.frame(stringsAsFactors=FALSE)%>% arrange(desc(Freq))%>%.[1:100,]
treemap(top100, index=c("Var1"), vSize="Freq",title='實習(xí)僧職位性質(zhì)分布圖',palette='RdBu',
fontsize.title=18,fontsize.labels=12,fontface.labels="plain",fontfamily.title="mono",fontfamily.labels="mono")

從實習(xí)職位分布圖上來看，人力資源實習(xí)生職位需求最為強(qiáng)烈，其次是運營、財務(wù)、新媒體，這些類型的職位多為現(xiàn)代新興服務(wù)業(yè)，更為符合大學(xué)生這一群體的口味和興趣。

myrevieww<-mydata$internship
thewords <- segmentCN(myrevieww,nature=T)%>%unlist()
thewords <- gsub("[a-z]|\.", "", thewords)
thewords<-thewords[nchar(thewords)>1]
reviewdata<-table(thewords)%>%as.data.frame(stringsAsFactors=FALSE)%>% arrange(desc(Freq))%>%filter(thewords!="實習(xí)生")
wordcloud<-wordcloud2(reviewdata[1:1000,],color="random-light",minSize=.6,size=1,backgroundColor="dark",minRotation=-pi/6,maxRotation=-pi/6,fontFamily="微軟雅黑");wordcloud

但是將職位性質(zhì)分詞整理成關(guān)鍵詞后，似乎結(jié)果有所不同。

2、哪些公司最缺實習(xí)僧？

這里我們來統(tǒng)計所爬職位信息中公司發(fā)布職位的頻率，發(fā)布最多的則作為評價公司對實習(xí)生需求的標(biāo)準(zhǔn)。

myjob<-table(mydata$company)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))
#看看前十名都是那些公司：
myjob15<-arrange(myjob[1:15,],desc(Freq))

CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/circle-rose.png",width=1580,height=950)
showtext.begin()
ggplot(data=myjob15,aes(x=reorder(Var1,-Freq),y=Freq,fill=Freq))+
geom_linerange(aes(ymin=0,ymax=42),linetype=5,size=.2,colour="#858585")+
geom_image(aes(x=0,y=-40),image="D:/R/Image/image1.jpg", size=.2)+
geom_text(aes(y=45,label=paste0(Var1,"\n",Freq)),vjust=1,size=5)+
geom_bar(stat="identity",width=1,col="white")+
geom_hline(yintercept=54,color="black",size=.5)+
geom_point(aes(y=48,size=Freq),shape=21,fill="#ED7D31",,alpha=0.6,col="orange")+
labs(title="Top 15 of Company",caption="Data Source:shixiseng")+
coord_polar(theta="x")+
ylim(-40,60)+
scale_size_area(max_size=20)+
guides(fill=FALSE,size=guide_legend(reverse=TRUE,title=NULL))+
theme_minimal()+
theme(
axis.title=element_blank(),
axis.text=element_blank(),
panel.grid=element_blank(),
legend.text=element_text(family="myfont",size=12),
legend.title=element_text(family="myfont",size=15,hjust=1),
plot.title=element_text(family="myfont",size=35),
plot.caption=element_text(family="myfont",size=18,hjust=0,lineheight=1.2)
)
showtext.end()
dev.off()

write.table (myjob[1:100,],"D:/R/File/shixiseng_job.csv",sep=",",row.names=FALSE)

前一百個實習(xí)生需求最旺盛企業(yè)：

3、實習(xí)崗位具體分布的地域和城市？

先做一個地域分布圖：

add<-table(mydata$address_unique)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))%>%filter(nchar(Var1)==2)

#城市經(jīng)緯度查詢：
library(rjson)
library(RCurl)
library(REmap)
library(baidumap)
address<-add$Var1
baidu_lng <- c()
baidu_lat <- c()
ak<-"X8zlxPUdSe2weshrZ1WqnWxb43cfBI2N"
for(location in address){
url<-paste("http://api.map.baidu.com/geocoder/v2/?ak=",ak,"&callback=renderOption&output=json&address=",location,sep="")
url_string <- URLencode(url)
msg.load <- tryCatch({
json <-readLines(url_string,warn=F,encoding="UTF-8")
msg.load <- "TRUE"
},error=function(e) {
"error"
}
)
if(msg.load=='error'){
Sys.sleep(runif(1,3,10))
msg.load <- tryCatch({
connect <- readLines(url_string,warn=F,encoding="UTF-8")
msg.load <- "TRUE"
}, error=function(e){
"error"
}
)
}
geo <- fromJSON(substr(json,regexpr("\(",json)+1,nchar(json)-1))
if(msg.load=='error'){
lng<-'error1'
lat<-'error1'
}else{
lng<-geo$result$location$lng
lat<-geo$result$location$lat
if(length(lng)==0){
lng <- "error2"
lat <- "error2"
}
}
lng<-geo$result$location$lng
lat<-geo$result$location$lat
baidu_lng<-c(baidu_lng,lng)
baidu_lat<-c(baidu_lat,lat)
}
result<-data.frame(address=address,long=baidu_lng,lat=baidu_lat,stringsAsFactors=FALSE)
pointdata<-left_join(add,result,by=c("Var1"="address"))

#成功獲取目標(biāo)城市經(jīng)緯度信息：

解析來制作分布圖：

geojson <-readOGR("D:/R/mapdata/State/china.geojson","OGRGeoJSON",stringsAsFactors=FALSE)
Encoding(geojson$name)<-"UTF-8"
china_Mapdata<-geojson@data
china_MapdataPloygon<-fortify(geojson)
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/shixiseng_jobcity.png",width=1200,height=640)
showtext.begin()
ggplot()+
geom_polygon(data=china_MapdataPloygon,aes(x=long,y=lat,group=group),col="grey60",fill="white",size=.2,alpha=.4)+
geom_point(data=pointdata,aes(x=long,y=lat,size=Freq),shape=21,fill="#C72E29",col="#014D64",alpha=0.6)+
scale_size_area(max_size=15,guide=guide_legend(reverse=TRUE,title=NULL))+
coord_map("polyconic") +
labs(title="實習(xí)僧職位需求城市分布圖",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
theme(
title=element_text(family="myfont",size=18),
plot.title=element_text(size=24),
plot.caption=element_text(family="myfont",size=18,hjust=0),
panel.grid=element_blank(),
panel.background=element_blank(),
axis.text=element_blank(),
axis.ticks=element_blank(),
axis.title=element_blank(),
legend.position=c(0.02,0.6),
)
showtext.end()
dev.off()

4、哪些城市對實習(xí)僧的需要最為強(qiáng)烈？

從第三個問題及其分析結(jié)果上我們已經(jīng)看出了整體形勢，北上廣深依然是需求最為旺盛的地區(qū)，這也符合城市的實際經(jīng)濟(jì)發(fā)展情況及我們的預(yù)期。

CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/jingjixue2.png",width=800,height=600)
showtext.begin()
ggplot(pointdata[1:20,],aes(reorder(Var1,Freq),Freq))+
geom_bar(fill="#0C8DC4",stat="identity")+
coord_flip()+
labs(title="實習(xí)僧職位需求城市分布",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
geom_text(aes(y=Freq+25,label=Freq),hjust=2,colour="#C72E29",size=5)+
theme_bw()+
theme(
panel.border=element_blank(),
panel.grid.major=element_line(linetype="dashed"),
panel.grid.minor=element_blank(),
plot.title=element_text(size=15,colour="#003087",family="myfont"),
plot.caption=element_text(hjust=0,size=10),
axis.title=element_blank(),
axis.text=element_text(size=15)
)
showtext.end()
dev.off()

5、實習(xí)工資大致什么水平，與城市和地域是否有關(guān)系？

myjob_salary<-mydata[,c("address_unique","salary_low","salary_high")]
myjob_salary$salary_low<-as.numeric(myjob_salary$salary_low)
myjob_salary$salary_high<-as.numeric(myjob_salary$salary_high)
myjob_salary<-na.omit(myjob_salary)%>%arrange(salary_high)%>%filter(salary_high>=20&salary_high<=500)
myjob_salary$id<-seq_len(nrow(myjob_salary))
myjob_salary$meansalary<-(myjob_salary$salary_low+myjob_salary$salary_high)/2
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/shixiseng_jobsaleryarea.png",width=1200,height=800)
showtext.begin()
ggplot(myjob_salary,aes(id))+
geom_ribbon(aes(ymin=salary_low,ymax=salary_high),fill="grey70")+
labs(title="實習(xí)僧職位工資區(qū)間分布",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
geom_line(aes(y=meansalary))+
theme_minimal()+
theme(
panel.border=element_blank(),
panel.grid.major=element_line(linetype="dashed"),
panel.grid.minor=element_blank(),
plot.title=element_text(size=30,colour="#003087",family="myfont"),
plot.caption=element_text(hjust=0,size=20),
axis.title=element_blank(),
axis.text.y=element_text(size=15),
axis.text.x=element_blank()
)
showtext.end()
dev.off()

myjob_salary$address_unique<-substr(myjob_salary$address_unique,1,2)

myjobcitysalary<-aggregate(meansalary~address_unique,data=myjob_salary,FUN=mean)

treemap(na.omit(myjobcitysalary), index=c("address_unique"),

vSize="meansalary",title='實習(xí)僧職位薪酬地域分布圖',palette='RdBu',

fontsize.title=18,fontsize.labels=12,fontface.labels="plain",

fontfamily.title="mono",fontfamily.labels="mono")

按照全部參與計算聚合的平均工資來看，北上廣深反而沒有什么吸引力了排名普遍不高，我猜想是因為一線城市的低工資職位數(shù)量過多，壓低了平均值。

接下來我們按照100，150的臨界點進(jìn)行工資高低的劃分。

salary100<-myjob_salary%>%filter(meansalary<=100)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)
salary100<-na.omit(salary100)%>%arrange(desc(Freq));names(salary100)<-c("city","num")
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/salary100.png",width=1200,height=900)
showtext.begin()
ggplot(salary100[salary100$num>=5,],aes(reorder(city,-num),num))+
geom_bar(fill="#0C8DC4",stat="identity")+
labs(title="實習(xí)僧職位薪資城市分布（日薪低于100）",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+
theme_bw()+
theme(
panel.border=element_blank(),
panel.grid.major=element_line(linetype="dashed"),
panel.grid.minor=element_blank(),
plot.title=element_text(size=25,colour="#003087",family="myfont"),
plot.caption=element_text(hjust=0,size=18),
axis.title=element_blank(),
axis.text=element_text(size=15)
)
showtext.end()
dev.off()

salary200<-myjob_salary%>%filter(meansalary>=200)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)
salary200<-na.omit(salary200)%>%arrange(desc(Freq));names(salary200)<-c("city","num")
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/salary200.png",width=1200,height=900)
showtext.begin()
ggplot(salary200,aes(reorder(city,-num),num))+
geom_bar(fill="#0C8DC4",stat="identity")+
labs(title="實習(xí)僧職位薪資城市分布（日薪高于200）",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+
theme_bw()+
theme(
panel.border=element_blank(),
panel.grid.major=element_line(linetype="dashed"),
panel.grid.minor=element_blank(),
plot.title=element_text(size=25,colour="#003087",family="myfont"),
plot.caption=element_text(hjust=0,size=18),
axis.title=element_blank(),
axis.text=element_text(size=15)
)
showtext.end()
dev.off()

salary100_200<-myjob_salary%>%filter(meansalary>100 & meansalary<200)%>%select(address_unique)%>%table()%>%as.data.frame(stringsAsFactors=FALSE)
salary100_200<-na.omit(salary100_200)%>%arrange(desc(Freq));names(salary100_200)<-c("city","num")
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/salary100-200.png",width=1600,height=900)
showtext.begin()
ggplot(salary100_200,aes(reorder(city,-num),num))+
geom_bar(fill="#0C8DC4",stat="identity")+
labs(title="實習(xí)僧職位薪資城市分布（日薪處于100-200之間）",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
geom_text(aes(y=num+10,label=num),hjust=.5,colour="#C72E29",size=5)+
theme_bw()+
theme(
panel.border=element_blank(),
panel.grid.major=element_line(linetype="dashed"),
panel.grid.minor=element_blank(),
plot.title=element_text(size=25,colour="#003087",family="myfont"),
plot.caption=element_text(hjust=0,size=18),
axis.title=element_blank(),
axis.text=element_text(size=15)
)
showtext.end()
dev.off()

分析到這里，趨勢已經(jīng)很明顯了，因為北上廣深等一線城市的職位實在是太多了，無論是高新職位還是低薪實習(xí)崗位都能排在全國各城市的前列，所以出現(xiàn)日均工資很普通的現(xiàn)象。相對而言，日薪在200以上的高薪職位更能代表各大城市對日常實習(xí)生需求的強(qiáng)烈程度，因為在這一階段，北上廣深的優(yōu)勢非常明顯，遙遙領(lǐng)先與其他二線城市，而針對日薪高于200的實習(xí)職位統(tǒng)計結(jié)果可以看出來，北上技壓群雄（不愧是帝都和魔都），深圳和廣州處于第二線，200以上的高新實習(xí)職位遇北上相比，相差比較大，僅占前兩者約1/3~1/5。而杭州、南京、武漢、合肥則穩(wěn)穩(wěn)處于第三梯隊。

6、實習(xí)崗位一般都要求每周到崗多少天？

myperiod<-mydata$period
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/internperiod.png",width=1000,height=750)
showtext.begin()
ggplot(data=NULL,aes(myperiod)) +
geom_histogram(stat="count",show.legend=FALSE,binwidth=1,fill="#F86977",col=NA) +
labs(title="實習(xí)職位要求每周工作天數(shù)",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
theme(panel.background=element_rect(fill=NA),
plot.background=element_rect(fill=NA),
plot.title=element_text(size=20,family="myfont"),
plot.caption=element_text(hjust=0,family="myfont"),
axis.line=element_line(colour="grey80"),
axis.text=element_text(size=12,family="myfont"),
axis.title=element_blank())
showtext.end()
dev.off()

從分布上看，一周五天居多，這樣是正常的工作日現(xiàn)象。3天、4天也是用人單位補(bǔ)繳能接受的周工作天數(shù)。

7、實習(xí)周期一般需要多長時間？

myduration<-mydata$duration
mydurationhz<-table(myduration)%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/internduration.png",width=1000,height=750)
showtext.begin()
ggplot(data=mydurationhz,aes(reorder(myduration,-Freq),Freq)) +
geom_bar(stat="identity",show.legend=FALSE,width=1,fill="#065573",col=NA) +
geom_text(aes(y=Freq+20,label=Freq),hjust=.5,colour="#C72E29",size=5)+
labs(title="實習(xí)職位要求工作時間周期",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
theme(panel.background=element_rect(fill=NA),
plot.background=element_rect(fill=NA),
plot.title=element_text(size=20,family="myfont"),
plot.caption=element_text(hjust=0,family="myfont"),
axis.line=element_line(colour="grey80"),
axis.text=element_text(size=12,family="myfont"),
axis.title=element_blank())
showtext.end()
dev.off()

8、哪些職位需求最為旺盛？

下面開始分析最后一個問題，也是我認(rèn)為最有價值，最值得探究的問題，最后一個待分析指標(biāo)是實習(xí)職位，這個指標(biāo)跟我們最初分析的那個崗位性質(zhì)略有不同，該變量相對比較規(guī)范（職位類別有確定的預(yù)設(shè)范圍）。

我們新建一個分析數(shù)據(jù)，用職位、工資區(qū)間的中間值，地區(qū)三個變量進(jìn)行后續(xù)分析：

mydata$salary_high<-as.numeric(mydata$salary_high)
mydata$salary_low<-as.numeric(mydata$salary_low)
mydata$salary_mean<-(mydata$salary_low+mydata$salary_high)/2
myworkdata<-mydata[,c("address_unique","work","salary_mean")]

首先分析下崗位的集中分布情況：

myworkcount<-table(myworkdata[,2])%>%as.data.frame(stringsAsFactors=FALSE)%>%arrange(desc(Freq))
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/interndworkcount.png",width=1000,height=750)
showtext.begin()
ggplot(data=myworkcount,aes(reorder(Var1,-Freq),Freq)) +
geom_bar(stat="identity",show.legend=FALSE,width=.75,fill="#5D8DA6",col=NA) +
geom_text(aes(y=Freq+50,label=Freq),hjust=.5,colour="#C72E29",size=5)+
labs(title="實習(xí)職位類別分布",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
theme(panel.background=element_rect(fill=NA),
plot.background=element_rect(fill=NA),
plot.title=element_text(size=20,family="myfont"),
plot.caption=element_text(hjust=0,family="myfont"),
axis.line=element_line(colour="grey80"),
axis.text=element_text(size=12,family="myfont"),
axis.title=element_blank())
showtext.end()
dev.off()

各個崗位工資分布：

myworkmean<-aggregate(salary_mean~work,data=myworkdata,FUN=mean)
CairoPNG(file="E:/微信公眾號/公眾號——數(shù)據(jù)小魔方/2017年5月/20170512/interndworkmean.png",width=1000,height=750)
showtext.begin()
ggplot(data=myworkmean,aes(reorder(work,-salary_mean),salary_mean)) +
geom_bar(stat="identity",show.legend=FALSE,width=.75,fill="#5D8DA6",col=NA) +
geom_text(aes(y=salary_mean+5,label=round(salary_mean,1)),hjust=.5,colour="#C72E29",size=10)+
labs(title="實習(xí)職位類別平均工資",caption="數(shù)據(jù)來源：實習(xí)僧官網(wǎng)")+
theme(panel.background=element_rect(fill=NA),
plot.background=element_rect(fill=NA),
plot.title=element_text(size=25,family="myfont"),
plot.caption=element_text(hjust=0,family="myfont",size=20),
axis.line=element_line(colour="grey80"),
axis.text=element_text(size=18,family="myfont"),
axis.title=element_blank())
showtext.end()
dev.off()

從工資均數(shù)上來看，七大類職位差距不大，說明僅就實習(xí)崗位工資而言，結(jié)合爬取的總體樣本，不考慮地域差異，實習(xí)工資差異不很明顯。也許是因為實習(xí)崗位中真正有含金量的并不多，換句話說，企業(yè)的高價值崗位，對于工作經(jīng)驗、技能的要求相對較高，而實習(xí)生則在這方面都不具備優(yōu)勢。（如果是社招或者小校招崗位信息的話，可能工資均值的差異會大一些）。

最后，讓我們用一個桑基圖來完結(jié)本次針對實習(xí)僧網(wǎng)站的爬蟲分析：

write.table (myworkdata,"D:/R/File/shixiseng_workdata.csv",sep=",",row.names=FALSE)

桑基流向圖的趨勢灰常明顯，北上兩市在所有類別職位（7大類）上均居前列，各職位類別中，市場和運營職位需求最為強(qiáng)烈，北京和上海在對市場和運營職位的需求容量機(jī)會平分秋色。廣州和深圳仍然略于北上，但是與其他二線城市相比較，優(yōu)勢仍然很明顯。（也許是因為實習(xí)僧做為主打校園實習(xí)崗位信息咨詢平臺，針對的主流群體基本以在校大學(xué)生為主，而北上廣深的高等教育資源分布差異明顯，在高校數(shù)量方面，北上的要沾光很多，廣州與深圳的高校資源相對比較匱乏，在以上分析的各項指標(biāo)中都占盡劣勢）。

爬蟲和代碼分析，算起來整整花了將近12個小時，雖然分析的不是很精準(zhǔn)、客觀，但是過程還是很有收獲的，期待下一次做的更好！

End.

來源：R語言中文社區(qū)

國統(tǒng)計網(wǎng)，是國內(nèi)最早的大數(shù)據(jù)學(xué)習(xí)網(wǎng)站，歡迎關(guān)注！

I 鑒賞

早幾年學(xué)習(xí)前端，大家都非常熱衷于研究jQuery源碼。

我至今還記得當(dāng)初從jQuery源碼中學(xué)到一星半點應(yīng)用技巧的時候常會有一種發(fā)自內(nèi)心的驚嘆，“原來JavaScript居然可以這樣用！”

但是隨著前端的迅猛發(fā)展，另外幾種前端框架的崛起，jQuery慢慢變得不再是必須。所有人對jQuery的熱情都降低了許多。

jQuery在前端史上有它非常超然的歷史地位，許多從中學(xué)到的技巧在實踐開發(fā)中仍然非常好用。簡單的了解它有助于我們更加深入的理解JavaScript。如果你能夠從中看明白jquery是如何一步步被取代的，那么，我想你的收益遠(yuǎn)不止學(xué)會使用了一個庫那么簡單。

因此，我的態(tài)度是，項目中你可以不用，但是我仍然建議你學(xué)。

這篇文章的主要目的，是從面向?qū)ο蟮慕嵌龋蠹曳窒韏query對象是如何封裝的。算是對大家進(jìn)一步學(xué)習(xí)jQuery源碼的一個拋磚引玉。

1

使用jQuery對象時，我們這樣寫：

// 聲明一個jQuery對象
$('.target')

// 獲取元素的css屬性
$('.target').css('width')

// 獲取元素的位置信息
$('.target').offset()

在使用之初可能會有許多疑問，比如$是怎么回事？為什么不用new就可以直接聲明一個對象？等等。了解之后，才知道原來這正是jQuery對象創(chuàng)建的巧妙之處。

先直接用代碼展示出來，再用圖跟大家解釋是怎么回事。

;
(function (ROOT) {

  // 構(gòu)造函數(shù)
  var jQuery=function (selector) {

    // 在jQuery中直接返回new過的實例，這里的init是jQuery的真正構(gòu)造函數(shù)
    return new jQuery.fn.init(selector)
  }

  jQuery.fn=jQuery.prototype={
    constructor: jQuery,

    version: '1.0.0',

    init: function (selector) {
      // 在jquery中這里有一個復(fù)雜的判斷，但是這里我做了簡化
      var elem, selector;
      elem=document.querySelector(selector);
      this[0]=elem;

      // 在jquery中返回一個由所有原型屬性方法組成的數(shù)組，我們這里簡化，直接返回this即可
      // return jQuery.makeArray(selector, this);
      return this;
    },

    // 在原型上添加一堆方法
    toArray: function () { },
    get: function () { },
    each: function () { },
    ready: function () { },
    first: function () { },
    slice: function () { }
    // ... ...
  }

  jQuery.fn.init.prototype=jQuery.fn;

  // 實現(xiàn)jQuery的兩種擴(kuò)展方式
  jQuery.extend=jQuery.fn.extend=function (options) {

    // 在jquery源碼中會根據(jù)參數(shù)不同進(jìn)行很多判斷，我們這里就直接走一種方式，所以就不用判斷了
    var target=this;
    var copy;

    for (name in options) {
      copy=options[name];
      target[name]=copy;
    }
    return target;
  }

  // jQuery中利用上面實現(xiàn)的擴(kuò)展機(jī)制，添加了許多方法，其中

  // 直接添加在構(gòu)造函數(shù)上，被稱為工具方法
  jQuery.extend({
    isFunction: function () { },
    type: function () { },
    parseHTML: function () { },
    parseJSON: function () { },
    ajax: function () { }
    // ...
  })

  // 添加到原型上
  jQuery.fn.extend({
    queue: function () { },
    promise: function () { },
    attr: function () { },
    prop: function () { },
    addClass: function () { },
    removeClass: function () { },
    val: function () { },
    css: function () { }
    // ...
  })

  // $符號的由來，實際上它就是jQuery，一個簡化的寫法，在這里我們還可以替換成其他可用字符
  ROOT.jQuery=ROOT.$=jQuery;
})(window);

在上面的代碼中，我封裝了一個簡化版的jQuery對象。

它向大家簡單展示了jQuery的整體骨架。

在代碼中可以看到，jQuery自身對于原型的處理使用了一些巧妙的方式，比如jQuery.fn=jQuery.prototype，jQuery.fn.init.prototype=jQuery.fn;等，這幾句正是jQuery對象的關(guān)鍵所在。看圖分析。

jQuery對象核心圖

2

對象封裝分析

在上面的實現(xiàn)中，首先在jQuery構(gòu)造函數(shù)里聲明了一個fn屬性，并將其指向了原型jQuery.prototype。然后在原型中添加了init方法。

jQuery.fn=jQuery.prototype={
  init: {}
}

之后又將init的原型，指向了jQuery.prototype。

jQuery.fn.init.prototype=jQuery.fn;

而在構(gòu)造函數(shù)jQuery中，返回了init的實例對象。

var jQuery=function (selector) {

  // 在jQuery中直接返回new過的實例，這里的init是jQuery的真正構(gòu)造函數(shù)
  return new jQuery.fn.init(selector)
}

最后對外暴露入口時，將字符$與jQuery對等起來。

ROOT.jQuery=ROOT.$=jQuery;

因此當(dāng)我們直接使用$('#test')創(chuàng)建一個對象時，實際上是創(chuàng)建了一個init的實例，這里的真正構(gòu)造函數(shù)是原型中的init方法。

注意：許多對jQuery內(nèi)部實現(xiàn)不太了解的盆友，常常會毫無節(jié)制使用$()，比如對于同一個元素的不同操作：

var width=parseInt($('#test').css('width'));
if(width > 20) {
  $('#test').css('backgroundColor', 'red');
}

通過我們上面的一系列分析，我們知道每當(dāng)我們執(zhí)行$()時，就會重新生成一個init的實例對象，因此當(dāng)我們這樣沒有節(jié)制的使用jQuery是非常不正確的，雖然看上去方便了一些，但是對于內(nèi)存的消耗非常大。正確的做法是既然是同一個對象，那么就用一個變量保存起來后續(xù)使用即可。

var $test=$('#test');
var width=parseInt($test.css('width'));
if(width > 20) {
  $test.css('backgroundColor', 'red');
}

3

擴(kuò)展方法分析

在上面的代碼實現(xiàn)中，我還簡單實現(xiàn)了兩個擴(kuò)展方法。

jQuery.extend=jQuery.fn.extend=function (options) {

  // 在jquery源碼中會根據(jù)參數(shù)不同進(jìn)行很多判斷，我們這里就直接走一種方式，所以就不用判斷了
  var target=this;
  var copy;

  for (name in options) {
    copy=options[name];
    target[name]=copy;
  }
  return target;
}

要理解它的實現(xiàn)，首先要明確知道this的指向。如果你搞不清楚，可以回頭去看看我們之前關(guān)于this指向的講解。

傳入的參數(shù)options為一個key: value模式的對象，我通過for in遍歷options，將key作為jQuery的新屬性，value作為該新屬性所對應(yīng)的新方法，分別添加到j(luò)Query方法和jQuery.fn中。

也就是說，當(dāng)我們通過jQuery.extend擴(kuò)展jQuery時，方法被添加到了jQuery構(gòu)造函數(shù)中，而當(dāng)我們通過jQuery.fn.extend擴(kuò)展jQuery時，方法被添加到了jQuery原型中。

上面的例子中，我也簡單展示了在jQuery內(nèi)部，許多方法的實現(xiàn)都是通過這兩個擴(kuò)展方法來完成的。

當(dāng)我們通過上面的知識了解了jQuery的大體框架之后，我們對于jQuery的學(xué)習(xí)就可以具體到諸如css/val/attr等方法是如何實現(xiàn)這樣的程度，那么源碼學(xué)習(xí)起來就會輕松很多，節(jié)省更多的時間。也給一些對于源碼敬而遠(yuǎn)之的朋友提供一個學(xué)習(xí)的可能。

4

有一個朋友留言給我，說她被靜態(tài)方法，工具方法和實例方法這幾個概念困擾了很久，到底他們有什么區(qū)別？

其實在上一篇文章中，關(guān)于封裝一個對象，我跟大家分享了一個非常非常干，但是卻只有少數(shù)幾個讀者大佬g(shù)et到的知識，那就是在封裝對象時，屬性和方法可以具體放置的三個位置，并且對于這三個位置的不同做了一個詳細(xì)的解讀。

image.png

在實現(xiàn)jQuery擴(kuò)展方法時，一部分方法需要擴(kuò)展到構(gòu)造函數(shù)中，一部分方法需要擴(kuò)展到原型中，當(dāng)我們通讀jQuery源碼時，還發(fā)現(xiàn)有一些方法放在了模塊作用域中，至于為什么會有這樣的區(qū)別，建議大家回過頭去讀讀前一篇文章。

這里用一個例子簡單區(qū)分一下。

// 模塊內(nèi)部
const a=20;

function Person(name, age) {
  this.name=name;
  this.age=age;
  // 構(gòu)造函數(shù)方法，每聲明一個實例，都會重新創(chuàng)建一次，屬于實例獨有
  this.getName=function() {
    return this.name;
  }
}

// 原型方法，僅在原型創(chuàng)建時聲明一次，屬于所有實例共享
Person.prototype.getAge=function() {
  return this.age;
}

// 工具方法，直接掛載在構(gòu)造函數(shù)名上，僅聲明一次，無法直接訪問實例內(nèi)部屬性與方法
Person.each=function() {}

如上例中，each就是一個工具方法，或者說靜態(tài)方法。

工具方法的特性也和工具一詞非常貼近，他們與實例的自身屬性毫無關(guān)聯(lián)，僅僅只是實現(xiàn)一些通用的功能，我們可以通過$.each與$('div').each這2個方法來體會工具方法與實例方法的不同之處。

在實際開發(fā)中，我們運用得非常多的一個工具庫就是lodash.js，大家如果時間充裕一定要去學(xué)習(xí)一下他的使用。

$.ajax()
$.isFunction()
$.each()
... ...

放在原型中的方法，在使用時必須創(chuàng)建了一個新的實例對象才能訪問，因此這樣的方法叫做實例方法。也正是因為這一點，他的使用成本會比工具方法高一些。但是相比構(gòu)造函數(shù)方法，原型方法更節(jié)省內(nèi)存。

$('#test').css()
$('#test').attr()
$('div').each()

這樣，那位同學(xué)的疑問就被搞定啦。我們在學(xué)習(xí)的時候，一定不要過分去糾結(jié)一些概念，而要明白這些概念背后的具體場景是怎么回事兒，那么學(xué)習(xí)這件事情就不會在一些奇奇怪怪的地方卡住了。

所以通過$.extend擴(kuò)展的方法，其實就是對工具方法的擴(kuò)展，而通過$.fn.extend擴(kuò)展的方法，就是對于實例方法的擴(kuò)展。

5

jQuery插件的實現(xiàn)

我在初級階段時，覺得要自己編寫一個jQuery插件是超級高大上的事情，可望不可即。但是通過對于上面的理解，我就知道擴(kuò)展jQuery插件其實是一件我們自己也可以完成的事情。

在前面我跟大家分享了jQuery如何實現(xiàn)，以及他們的方法如何擴(kuò)展，并且前一篇文章分享了拖拽對象的具體實現(xiàn)。所以建議大家暫時不要閱讀下去，自己動手嘗試將拖拽擴(kuò)展成為jQuery的一個實例方法，這就是一個jQuery插件了。

具體也沒有什么可多說的了，大家看了代碼就可以明白一切。

// Drag對象簡化代碼，完整源碼可在上一篇文章中查看
;
(function () {

  // 構(gòu)造
  function Drag(selector) { }


  // 原型
  Drag.prototype={
    constructor: Drag,

    init: function () {
      // 初始時需要做些什么事情
      this.setDrag();
    },

    // 稍作改造，僅用于獲取當(dāng)前元素的屬性，類似于getName
    getStyle: function (property) { },

    // 用來獲取當(dāng)前元素的位置信息，注意與之前的不同之處
    getPosition: function () { },

    // 用來設(shè)置當(dāng)前元素的位置
    setPostion: function (pos) { },

    // 該方法用來綁定事件
    setDrag: function () { }
  }

  // 一種對外暴露的方式
  window.Drag=Drag;
})();

// 通過擴(kuò)展方法將拖拽擴(kuò)展為jQuery的一個實例方法
(function ($) {
  $.fn.extend({
    becomeDrag: function () {
      new Drag(this[0]);
      return this;   // 注意：為了保證jQuery所有的方法都能夠鏈?zhǔn)皆L問，每一個方法的最后都需要返回this，即返回jQuery實例
    }
  })
})(jQuery);

下一篇：前端基礎(chǔ)進(jìn)階（十四）：深入核心，詳解事件循環(huán)機(jī)制

建議收藏，不然刷著刷著就可能找不到了。

有什么前端的問題歡迎私信我~期待你的到來。

我自己是一名從事了多年開發(fā)的web前端老程序員，目前辭職在做自己的web前端私人定制課程，今年我花了一個月整理了一份最適合2020年學(xué)習(xí)的web前端學(xué)習(xí)干貨，各種框架都有整理，送給每一位前端小伙伴，想要獲取的可以關(guān)注我的頭條號并在后臺私信我：前端，即可免費獲取

i，大家好，我是拾光。

今天給大家?guī)淼氖莏s實現(xiàn)文本框自動填充。

下面貼圖：

HTML：

<!doctype html>

<html>

<head>

<title>Document</title>

<style>

margin:0;

padding:0;

}

ul,li{

list-style:none;

}

.inputElem {

width:198px;

height:22px;

line-height:22px;

border:1px solid #ff4455;

}

.parentCls

{

width:200px;

}

.auto-tip li

{

width:100%;

height:22px;

line-height:22px;

font-size:14px;

}

.auto-tip li.hoverBg{

background:#ddd;

cursor:pointer;

}

.red

{

color:red;

}

.hidden {

display:none;

}

</style>

</head>

<body>

<div>

</div>

</body>

</html>

JS：

function EmailAutoComplete(options) {

this.config={

targetCls : '.inputElem',

parentCls : '.parentCls',

hiddenCls : '.hiddenCls',

searchForm : '.jqtransformdone',

hoverBg : 'hoverBg',

inputValColor : 'red',

mailArr : ["@qq.com","@qq2.com","@gmail.com","@126.com","@163.com","@hotmail.com","@yahoo.com","@yahoo.com.cn","@live.com","@sohu.com","@sina.com"],

isSelectHide : true,

callback : null

};

this.cache={

onlyFlag : true,

currentIndex : -1,

oldIndex : -1

};

this.init(options);

}

EmailAutoComplete.prototype={

constructor: EmailAutoComplete,

init: function(options){

this.config=$.extend(this.config,options || {});

var self=this,

_config=self.config,

_cache=self.cache;

$(_config.targetCls).each(function(index,item){

$(item).keyup(function(e){

var target=e.target,

targetVal=$.trim($(this).val()),

keycode=e.keyCode,

elemHeight=$(this).outerHeight(),

elemWidth=$(this).outerWidth(),

parentNode=$(this).closest(_config.parentCls);

$(parentNode).css({'position':'relative'});

if(targetVal=='') {

$(item).attr({'data-html':''});

$(_config.hiddenCls,parentNode).val('');

_cache.currentIndex=-1;

_cache.oldIndex=-1;

$(".auto-tip",parentNode) && !$(".auto-tip",parentNode).hasClass('hidden') && $(".auto-tip",parentNode).addClass('hidden');

self._removeBg(parentNode);

}else {

$(item).attr({'data-html':targetVal});

$(_config.hiddenCls,parentNode).val(targetVal);

$(".auto-tip",parentNode) && $(".auto-tip",parentNode).hasClass('hidden') && $(".auto-tip",parentNode).removeClass('hidden');

self._renderHTML({keycode:keycode,e:e,target:target,targetVal:targetVal,height:elemHeight,width:elemWidth,parentNode:parentNode});

}

});

$(_config.searchForm).each(function(index,item) {

$(item).keydown(function(e){

var keyCode=e.keyCode;

if(keyCode==13) {

return false;

}

});

$(document).click(function(e){

e.stopPropagation();

var target=e.target,

tagCls=_config.targetCls.replace(/^\./,'');

if(!$(target).hasClass(tagCls)) {

$('.auto-tip') && $('.auto-tip').each(function(index,item){

!$(item).hasClass('hidden') && $(item).addClass('hidden');

});

}

});

_renderHTML: function(cfg) {

var self=this,

_config=self.config,

_cache=self.cache,

curVal;

var curIndex=self._keyCode(cfg.keycode);

$('.auto-tip',cfg.parentNode).hasClass('hidden') && $('.auto-tip',cfg.parentNode).removeClass('hidden');

if(curIndex > -1){

self._keyUpAndDown(cfg.targetVal,cfg.e,cfg.parentNode);

}else {

if(/@/.test(cfg.targetVal)) {

curVal=cfg.targetVal.replace(/@.*/,'');

}else {

curVal=cfg.targetVal;

}

if(_cache.onlyFlag) {

$(cfg.parentNode).append('<input type="hidden" class="hiddenCls"/>');

var wrap='<ul class="auto-tip">';

for(var i=0; i < _config.mailArr.length; i++) {

wrap +='<li class="p-index'+i+'">'+'<span class="output-num"></span><em class="em" data-html="'+_config.mailArr[i]+'">'+_config.mailArr[i]+'</em></li>';

}

wrap +='</ul>';

_cache.onlyFlag=false;

$(cfg.parentNode).append(wrap);

$('.auto-tip',cfg.parentNode).css({'position':'absolute','top':cfg.height,'width':cfg.width - 2 + 'px','left':0,

'border':'1px solid #ccc','z-index':10000});

}

$('.auto-tip li',cfg.parentNode).each(function(index,item){

$('.output-num',item).html(curVal);

!$('.output-num',item).hasClass(_config.inputValColor) &&

$('.output-num',item).addClass(_config.inputValColor);

var emVal=$.trim($('.em',item).attr('data-html'));

$(item).attr({'data-html':curVal + '' +emVal});

});

self._accurateMate({target:cfg.target,parentNode:cfg.parentNode});

self._itemHover(cfg.parentNode);

self._executeClick(cfg.parentNode);

}

_accurateMate: function(cfg) {

var self=this,

_config=self.config,

_cache=self.cache;

var curVal=$.trim($(cfg.target,cfg.parentNode).attr('data-html')),

newArrs=[];

if(/@/.test(curVal)) {

var prefix=curVal.replace(/@.*/, ""),

suffix=curVal.replace(/.*@/, "");

$.map(_config.mailArr,function(n){

var reg=new RegExp(suffix);

if(reg.test(n)) {

newArrs.push(n);

}

});

if(newArrs.length > 0) {

$('.auto-tip',cfg.parentNode).html('');

$(".auto-tip",cfg.parentNode) && $(".auto-tip",cfg.parentNode).hasClass('hidden') &&

$(".auto-tip",cfg.parentNode).removeClass('hidden');

var html='';

for(var j=0, jlen=newArrs.length; j < jlen; j++) {

html +='<li class="p-index'+j+'">'+'<span class="output-num"></span><em class="em" data-html="'+newArrs[j]+'">'+newArrs[j]+'</em></li>';

}

$('.auto-tip',cfg.parentNode).html(html);

$('.auto-tip li',cfg.parentNode).each(function(index,item){

$('.output-num',item).html(prefix);

!$('.output-num',item).hasClass(_config.inputValColor) &&

$('.output-num',item).addClass(_config.inputValColor);

var emVal=$.trim($('.em',item).attr('data-html'));

$(item).attr('data-html','');

$(item).attr({'data-html':prefix + '' +emVal});

});

_cache.currentIndex=-1;

_cache.oldIndex=-1;

$('.auto-tip .output-num',cfg.parentNode).html(prefix);

self._itemHover(cfg.parentNode);

self._executeClick(cfg.parentNode);

}else {

$(".auto-tip",cfg.parentNode) && !$(".auto-tip",cfg.parentNode).hasClass('hidden') &&

$(".auto-tip",cfg.parentNode).addClass('hidden');

$('.auto-tip',cfg.parentNode).html('');

}

_itemHover: function(parentNode) {

var self=this,

_config=self.config,

_cache=self.cache;

$('.auto-tip li',parentNode).hover(function(index,item) {

!$(this).hasClass(_config.hoverBg) && $(this).addClass(_config.hoverBg);

},function() {

$(this).hasClass(_config.hoverBg) && $(this).removeClass(_config.hoverBg);

});

_removeBg: function(parentNode){

var self=this,

_config=self.config;

$(".auto-tip li",parentNode).each(function(index,item){

$(item).hasClass(_config.hoverBg) && $(item).removeClass(_config.hoverBg);

});

_keyUpAndDown: function(targetVal,e,parentNode) {

var self=this,

_cache=self.cache,

_config=self.config;

if($('.auto-tip' + ' li',parentNode) && $('.auto-tip' + ' li').length > 0) {

var plen=$('.auto-tip' + ' li',parentNode).length,

keyCode=e.keyCode;

_cache.oldIndex=_cache.currentIndex;

if(keyCode==38) {

if(_cache.currentIndex==-1) {

_cache.currentIndex=plen - 1;

}else {

_cache.currentIndex=_cache.currentIndex - 1;

if(_cache.currentIndex < 0) {

_cache.currentIndex=plen - 1;

}

if(_cache.currentIndex !==-1) {

!$('.auto-tip .p-index'+_cache.currentIndex,parentNode).hasClass(_config.hoverBg) &&

$('.auto-tip .p-index'+_cache.currentIndex,parentNode).addClass(_config.hoverBg).siblings().removeClass(_config.hoverBg);

var curAttr=$('.auto-tip' + ' .p-index'+_cache.currentIndex,parentNode).attr('data-html');

$(_config.targetCls,parentNode).val(curAttr);

$(_config.hiddenCls,parentNode).val(curAttr);

}

}else if(keyCode==40) {

if(_cache.currentIndex==plen - 1) {

_cache.currentIndex=0;

}else {

_cache.currentIndex++;

if(_cache.currentIndex > plen - 1) {

_cache.currentIndex=0;

}

if(_cache.currentIndex !==-1) {

!$('.auto-tip .p-index'+_cache.currentIndex,parentNode).hasClass(_config.hoverBg) &&

$('.auto-tip .p-index'+_cache.currentIndex,parentNode).addClass(_config.hoverBg).siblings().removeClass(_config.hoverBg);

var curAttr=$('.auto-tip' + ' .p-index'+_cache.currentIndex,parentNode).attr('data-html');

$(_config.targetCls,parentNode).val(curAttr);

$(_config.hiddenCls,parentNode).val(curAttr);

}

}else if(keyCode==13) {

var curVal=$('.auto-tip' + ' .p-index'+_cache.oldIndex,parentNode).attr('data-html');

$(_config.targetCls,parentNode).val(curVal);

$(_config.hiddenCls,parentNode).val(curVal);

if(_config.isSelectHide) {

!$(".auto-tip",parentNode).hasClass('hidden') && $(".auto-tip",parentNode).addClass('hidden');

}

_config.callback && $.isFunction(_config.callback) && _config.callback();

_cache.currentIndex=-1;

_cache.oldIndex=-1;

}

_keyCode: function(code) {

var arrs=['17','18','38','40','37','39','33','34','35','46','36','13','45','44','145','19','20','9'];

for(var i=0, ilen=arrs.length; i < ilen; i++) {

if(code==arrs[i]) {

return i;

}

return -1;

_executeClick: function(parentNode) {

var _self=this,

_config=_self.config;

$('.auto-tip' + ' li',parentNode).unbind('click');

$('.auto-tip' + ' li',parentNode).bind('click',function(e){

var dataAttr=$(this).attr('data-html');

$(_config.targetCls,parentNode).val(dataAttr);

if(_config.isSelectHide) {

!$(".auto-tip",parentNode).hasClass('hidden') && $(".auto-tip",parentNode).addClass('hidden');

}

$(_config.hiddenCls,parentNode).val(dataAttr);

_config.callback && $.isFunction(_config.callback) && _config.callback();

});

}

};

$(function() {

new EmailAutoComplete({});

});

今天就到這里咯~

大家研究一下吧~

希望大家過的愉快。

Best wishes to you.

LiuDongYu.

在線咨詢

上一篇：30 個實例詳解 TOP 命令！
下一篇：數(shù)據(jù)科學(xué)家易犯的十大編碼錯誤，你中招了嗎？

您的項目需求

*請認(rèn)真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。

整合營銷服務(wù)商

實習(xí)僧招聘網(wǎng)爬蟲數(shù)據(jù)可視化

國統(tǒng)計網(wǎng)，是國內(nèi)最早的大數(shù)據(jù)學(xué)習(xí)網(wǎng)站，歡迎關(guān)注！

1

2

3

4

5

有什么前端的問題歡迎私信我~期待你的到來。

您的項目需求