通過資料分析告訴你北京Python開發的現狀

摘要： 相信各位同學多多少少在拉鉤上投過簡歷，今天突然想了解一下北京Python開發的薪資水平、招聘要求、福利待遇以及公司地理位置。既然要分析那必然是現有資料樣本。本文通過爬蟲和資料分析為大家展示一下北京Python開發的現狀，希望能夠在職業規劃方面幫助到大家！！！ 爬蟲 爬蟲的第一步自然是從...

相信各位同學多多少少在拉鉤上投過簡歷，今天突然想了解一下北京Python開發的薪資水平、招聘要求、福利待遇以及公司地理位置。既然要分析那必然是現有資料樣本。本文通過爬蟲和資料分析為大家展示一下北京Python開發的現狀，希望能夠在職業規劃方面幫助到大家！！！

爬蟲

爬蟲的第一步自然是從分析請求和網頁原始碼開始。從網頁原始碼中我們並不能找到釋出的招聘資訊。但是在請求中我們看到這樣一條POST請求

如下圖我們可以得知

url：https://www.lagou.com/jobs/positionAjax.json?city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false

請求方式：post

result：為釋出的招聘資訊

totalCount：為招聘資訊的條數

通過實踐發現除了必須攜帶headers之外，拉勾網對ip訪問頻率也是有限制的。一開始會提示 '訪問過於頻繁'，繼續訪問則會將ip拉入黑名單。不過一段時間之後會自動從黑名單中移除。

針對這個策略，我們可以對請求頻率進行限制，這個弊端就是影響爬蟲效率。

其次我們還可以通過代理ip來進行爬蟲。網上可以找到免費的代理ip，但大都不太穩定。付費的價格又不太實惠。

具體就看大家如何選擇了

思路

通過分析請求我們發現每頁返回15條資料，totalCount又告訴了我們該職位資訊的總條數。

向上取整就可以獲取到總頁數。然後將所得資料儲存到csv檔案中。這樣我們就獲得了資料分析的資料來源！

post請求的Form Data傳了三個引數

first： 是否首頁(並沒有什麼用)

pn：頁碼

kd：搜尋關鍵字

no bb, show code

# 獲取請求結果
# kind 搜尋關鍵字
# page 頁碼 預設是1
def get_json(kind, page=1,):
# post請求引數
param = {
'first': 'true',
'pn': page,
'kd': kind
}
header = {
'Host': 'www.lagou.com',
'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
# 設定代理
proxies = [
{'http': '140.143.96.216:80', 'https': '140.143.96.216:80'},
{'http': '119.27.177.169:80', 'https': '119.27.177.169:80'},
{'http': '221.7.255.168:8080', 'https': '221.7.255.168:8080'}
]
# 請求的url
url = 'https://www.lagou.com/jobs/positionAjax.json?px=default&city=%E5%8C%97%E4%BA%AC&needAddtionalResult=false'
# 使用代理訪問
# response = requests.post(url, headers=header, data=param, proxies=random.choices(proxies))
response = requests.post(url, headers=header, data=param)
response.encoding = 'utf-8'
if response.status_code == 200:
response = response.json()
# 請求響應中的positionResult 包括查詢總數 以及該頁的招聘資訊(公司名、地址、薪資、福利待遇等...)
return response['content']['positionResult']
return None

接下來我們只需要每次翻頁之後呼叫 get_json 獲得請求的結果 再遍歷取出需要的招聘資訊即可

if __name__ == '__main__':
# 預設先查詢第一頁的資料
kind = 'python'
# 請求一次 獲取總條數
position_result = get_json(kind=kind)
# 總條數
total = position_result['totalCount']
print('{}開發職位，招聘資訊總共{}條.....'.format(kind, total))
# 每頁15條 向上取整 算出總頁數
page_total = math.ceil(total/15)

# 所有查詢結果
search_job_result = []
#for i in range(1, total + 1)
# 為了節約效率 只爬去前100頁的資料
for i in range(1, 100):
position_result = get_json(kind=kind, page= i)
# 每次抓取完成後,暫停一會,防止被伺服器拉黑
time.sleep(15)
# 當前頁的招聘資訊
page_python_job = []
for j in position_result['result']:
python_job = []
# 公司全名
python_job.append(j['companyFullName'])
# 公司簡稱
python_job.append(j['companyShortName'])
# 公司規模
python_job.append(j['companySize'])
# 融資
python_job.append(j['financeStage'])
# 所屬區域
python_job.append(j['district'])
# 職稱
python_job.append(j['positionName'])
# 要求工作年限
python_job.append(j['workYear'])
# 招聘學歷
python_job.append(j['education'])
# 薪資範圍
python_job.append(j['salary'])
# 福利待遇
python_job.append(j['positionAdvantage'])

page_python_job.append(python_job)

# 放入所有的列表中
search_job_result += page_python_job
print('第{}頁資料爬取完畢, 目前職位總數:{}'.format(i, len(search_job_result)))
# 每次抓取完成後,暫停一會,防止被伺服器拉黑
time.sleep(15)

ok！ 資料我們已經獲取到了，最後一步我們需要將資料儲存下來

# 將總資料轉化為data frame再輸出
df = pd.DataFrame(data=search_job_result,
columns=['公司全名', '公司簡稱', '公司規模', '融資階段', '區域', '職位名稱', '工作經驗', '學歷要求', '工資', '職位福利'])
df.to_csv('lagou.csv', index=False, encoding='utf-8_sig')

執行main方法直接上結果：

資料分析

通過分析cvs檔案，為了方便我們統計，我們需要對資料進行清洗

比如剔除實習崗位的招聘、工作年限無要求或者應屆生的當做 0年處理、薪資範圍需要計算出一個大概的值、學歷無要求的當成大專

# 讀取資料
df = pd.read_csv('lagou.csv', encoding='utf-8')
# 資料清洗,剔除實習崗位
df.drop(df[df['職位名稱'].str.contains('實習')].index, inplace=True)
# print(df.describe())
# 由於CSV檔案內的資料是字串形式,先用正則表示式將字串轉化為列表,再取區間的均值
pattern = '\d+'
df['work_year'] = df['工作經驗'].str.findall(pattern)
# 資料處理後的工作年限
avg_work_year = []
# 工作年限
for i in df['work_year']:
# 如果工作經驗為'不限'或'應屆畢業生',那麼匹配值為空,工作年限為0
if len(i) == 0:
avg_work_year.append(0)
# 如果匹配值為一個數值,那麼返回該數值
elif len(i) == 1:
avg_work_year.append(int(''.join(i)))
# 如果匹配值為一個區間,那麼取平均值
else:
num_list = [int(j) for j in i]
avg_year = sum(num_list)/2
avg_work_year.append(avg_year)
df['工作經驗'] = avg_work_year

# 將字串轉化為列表,再取區間的前25%，比較貼近現實
df['salary'] = df['工資'].str.findall(pattern)
# 月薪
avg_salary = []
for k in df['salary']:
int_list = [int(n) for n in k]
avg_wage = int_list[0]+(int_list[1]-int_list[0])/4
avg_salary.append(avg_wage)
df['月工資'] = avg_salary

# 將學歷不限的職位要求認定為最低學歷:大專\
df['學歷要求'] = df['學歷要求'].replace('不限','大專')

資料通過簡單的清洗之後，下面開始我們的統計

繪製薪資直方圖

# 繪製頻率直方圖並儲存
plt.hist(df['月工資'])
plt.xlabel('工資 (千元)')
plt.ylabel('頻數')
plt.title("工資直方圖")
plt.savefig('薪資.jpg')
plt.show()

結論：北京市Python開發的薪資大部分處於15~25k之間

公司分佈餅狀圖

# 繪製餅圖並儲存
count = df['區域'].value_counts()
plt.pie(count, labels = count.keys(),labeldistance=1.4,autopct='%2.1f%%')
plt.axis('equal')# 使餅圖為正圓形
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))
plt.savefig('pie_chart.jpg')
plt.show()

結論：Python開發的公司最多的是海淀區、其次是朝陽區。準備去北京工作的小夥伴大概知道去哪租房了吧

學歷要求直方圖

# {'本科': 1304, '大專': 94, '碩士': 57, '博士': 1}
dict = {}
for i in df['學歷要求']:
if i not in dict.keys():
dict[i] = 0
else:
dict[i] += 1
index = list(dict.keys())
print(index)
num = []
for i inindex:
num.append(dict[i])
print(num)
plt.bar(left=index, height=num, width=0.5)
plt.show()

結論：在Python招聘中，大部分公司要求是本科學歷以上。但是學歷只是個敲門磚，如果努力提升自己的技術，這些都不是事兒

福利待遇詞雲圖

# 繪製詞雲,將職位福利中的字串彙總
text = ''
for line in df['職位福利']:
text += line
# 使用jieba模組將字串分割為單詞列表
cut_text = ' '.join(jieba.cut(text))
#color_mask = imread('cloud.jpg')#設定背景圖
cloud = WordCloud(
background_color = 'white',
# 對中文操作必須指明字型
font_path='yahei.ttf',
#mask = color_mask,
max_words = 1000,
max_font_size = 100
).generate(cut_text)

# 儲存詞雲圖片
cloud.to_file('word_cloud.jpg')
plt.imshow(cloud)
plt.axis('off')
plt.show()

結論：彈性工作是大部分公司的福利，其次五險一金少數公司也會提供六險一金。團隊氛圍、扁平化管理也是很重要的一方面。

至此，此次分析到此結束。有需要的同學也可以查一下其他崗位或者地區的招聘資訊哦~

希望能夠幫助大家定位自己的發展和職業規劃。