Python抓取了2500多份数据类招聘需求，看看什么岗位才是“真香”

大家好，欢迎来到 Crossin的编程教室 ！

随着各行各业都在进行数字化转型，数据方面的人才也成为了各家企业招聘的重点对象，不同数据类型的岗位提供的薪资待遇又是如何的？哪个城市最需要数据方面的人才、未来的发展前景与钱途又是怎么样的？今天我们抓取了某互联网招聘平台上面的招聘信息，来为大家分析分析。

本文主要内容：

• 数据抓取的流程与步骤
• 数据清洗的流程与步骤
• 可视化的结果与分析

数据抓取的步骤

@retry(stop=stop_after_attempt(7))
def make_requests(url):
    response = requests.get(url=url, headers=headers)
    response_1 = BeautifulSoup(response.text, "lxml")
    return response_1

解析数据的代码如下

def process_data(index, job_title, response_text):
    response_2 = response_text.select("div.list__YibNq")
    for resp in response_2[0]:
        if resp.select("div.p-top__1F7CL a"):
            job_titles = resp.select("div.p-top__1F7CL a")[0].get_text()
        else:
            job_titles = ""

        if resp.select("span.money__3Lkgq"):
            payments = resp.select("span.money__3Lkgq")[0].get_text()
        else:
            payments = ""
        
        .........

然后最后将收集到的数据导出到excel当中，代码如下

df = pd.DataFrame(
        {"职位名称": job_titles_list, "薪资待遇": payments_list, "工作年限": work_years_list, "公司名称": company_name_list,
         "所处行业": industry_list, "岗位简介": job_title_description_list})

path = "job_files/"
if not os.path.exists(path):
    os.makedirs(path)
df.to_excel("./job_files/{}_{}.xlsx".format(job_title, index), index = False)

数据的清洗与处理

我们用到的是Pandas模块，首先先导入所有收集到的数据

import pandas as pd
import os

df_all = pd.DataFrame(columns=["职位名称", "薪资待遇", "工作年限", "公司名称", "所处行业", "岗位简介"])

for file in os.listdir("./job_files"):
    df = pd.read_excel("./job_files/" + file)
    df_all = df_all.append(df, ignore_index=True)

我们来看一下最终的数据集长什么样子

print(df_all.info())

output

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2238 entries, 0 to 2237
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   职位名称    2238 non-null   object
 1   薪资待遇    2238 non-null   object
 2   工作年限    2238 non-null   object
 3   公司名称    2238 non-null   object
 4   所处行业    2234 non-null   object
 5   岗位简介    2238 non-null   object
dtypes: object(6)
memory usage: 105.0+ KB

• 删除重复项

df_all_1 = df_all.drop_duplicates()
df_all_1.info()

output

<class 'pandas.core.frame.DataFrame'>
Int64Index: 2207 entries, 0 to 2237
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   职位名称    2207 non-null   object
 1   薪资待遇    2207 non-null   object
 2   工作年限    2207 non-null   object
 3   公司名称    2207 non-null   object
 4   所处行业    2203 non-null   object
 5   岗位简介    2207 non-null   object
dtypes: object(6)
memory usage: 120.7+ KB

• 删除缺失值

df_all_1 = df_all_1.dropna(axis = 0, how = "any")
df_all_1.info()

output

<class 'pandas.core.frame.DataFrame'>
Int64Index: 2203 entries, 0 to 2237
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   职位名称    2203 non-null   object
 1   薪资待遇    2203 non-null   object
 2   工作年限    2203 non-null   object
 3   公司名称    2203 non-null   object
 4   所处行业    2203 non-null   object
 5   岗位简介    2203 non-null   object
dtypes: object(6)
memory usage: 120.5+ KB

• 对薪资数据的清洗

接下来为了方便对薪资数据进行统计分析，我们对此也需要进行相对应的处理

df_all_1["薪资待遇"] = df_all_1["薪资待遇"].str.replace("k", "000")

可视化分析结果

• 薪资的不同

df_all_1[df_all_1["职位名称"].str.contains("产品经理")]['薪资待遇'].value_counts().head(5)

output

20000-40000    66
15000-30000    48
15000-25000    46
20000-30000    27
25000-50000    26
Name: 薪资待遇, dtype: int64

较多的是集中在20K-40K这个范围当中，具体我们可以通过下面这个可视化的结果来看

• 哪个城市的需求最多

接下来我们来看一下哪些城市对数据方面的人才需求是最多的，

df_all_1["城市分布"] = df_all_1["职位名称"].apply(lambda x: x.split("[")[1].split("·")[0])
df_all_1["城市分布"].value_counts().head(10)

output

北京    702
上海    446
深圳    404
杭州    194
广州    190
成都     68
武汉     57
西安     23
南京     18
苏州     15
Name: 城市分布, dtype: int64

• 哪个行业所需要的数据岗位最多呢？

接下来我们来看一下哪个行业所需要的数据方面的人才最多，

df_all_1["行业"] = df_all_1["所处行业"].apply(lambda x: x.split("｜")[0].split("/")[0])
df_all_1["行业"].value_counts().head(10)

output

数据服务         175
内容资讯,短视频     155
软件服务         141
科技金融         114
电商平台          84
IT技术服务        68
企业服务          61
游戏            55
专业服务          52
消费生活          52
Name: 行业, dtype: int64

• 对于学历的要求是什么样的呢？

我们来看一下各家公司对于数据方面的人才，在学历上又有何种要求呢？

df_all_1["学历要求"] = df_all_1["工作年限"].apply(lambda x: x.split("/")[-1])
df_all_1["学历要求"].value_counts()

output

本科    1922
硕士     119
不限      77
大专      73
博士      12
Name: 学历要求, dtype: int64

• 岗位的简短介绍

word_num = jieba.lcut(text, cut_all = False)
rule = re.compile(r"^[\u4e00-\u9fa5]+$")
word_num_selected = [word for word in word_num if word not in stop_words and
                   re.search(rule, word) and len(word) >= 2]

接着我们使用stylecloud模块来进行词云图的绘制

stylecloud.gen_stylecloud(text=" ".join(review_list), max_words=100, collocations=False,
                          font_path="KAITI.ttf", icon_name="fab fa-apple", size=653,
                          output_name="4.png")

output