本文主要用Python爬取拉勾网不同编程语言职位信息,包括:Python岗、Java岗、C++岗、PHP岗、C#岗位(5岗);用R语言对影响薪资的因素进行分析。由于拉勾网的职位信息只显示30页,一页15个职位信息,如果单独爬取一个城市的岗位信息,只有几页是匹配的信息,信息量太小,分析没有说服力。因此,本文爬取拉勾网全国职位信息。主要三部分内容:
我们抓取的信息包括Python岗位名称、公司名称、薪资、工作经验、学历、公司规模、公司福利。
##以python岗位为例,运用selenium+Chrome()爬取岗位信息 # coding=UTF-8 from lxml import etree from selenium import webdriver import time import csv browser = webdriver.Chrome() browser.get('https://www.lagou.com/jobs/list_PYTHON?px=default&city=%E5%85%A8%E5%9B%BD#filterBox') browser.implicitly_wait(10) def get_dates(selector): items = selector.xpath('//*[@id="s_position_list"]/ul/li') for item in items: yield { 'Name': item.xpath('div[1]/div[1]/div[1]/a/h3/text()')[0], 'Company': item.xpath('div[1]/div[2]/div[1]/a/text()')[0], 'Salary': item.xpath('div[1]/div[1]/div[2]/div/span/text()')[0], 'Education': item.xpath('div[1]/div[1]/div[2]/div//text()')[3].strip(), 'Size': item.xpath('div[1]/div[2]/div[2]/text()')[0].strip(), 'Welfare': item.xpath('div[2]/div[2]/text()')[0] } def main(): i = 0 for i in range(30): selector = etree.HTML(browser.page_source) browser.find_element_by_xpath('//*[@id="order"]/li/div[4]/div[2]').click() time.sleep(5) print('第{}页抓取完毕'.format(i+1)) for item in get_dates(selector): print(item) with open('Py.csv', 'a', newline='') as csvfile: ##Py.csv是文件的保存路径,这里默认保存在工作目录 fieldnames = ['Name', 'Company', 'Salary', 'Education', 'Size', 'Welfare'] writer = csv.DictWriter(csvfile, fieldnames=fieldnames) writer.writeheader() for item in get_dates(selector): writer.writerow(item) time.sleep(5) browser.close() if __name__=='__main__': main()
此外还抓取了Java岗、C++岗、PHP岗、C#岗位4岗的信息,代码和抓取Python岗位信息类似。
这里包括数据清洗部分和数据分析部分两部分内容。
data<-read.csv("E://Data For R/RData/Py.csv") data[sample(1:nrow(data),size=10),]
在抓取过程中,由于将python字典循环写入csv文件,因此列名也被循环写在csv文件中。
考虑本文主要分析影响薪资的因素,这里去除Name和Company两列。
##去除Name和Company两列 DATA<-data[,-c(1,2)] ##将python字典循环写入csv文件时,标题也会被写入,去除多余的标题 ##查找哪些行是标题重复的行 which(DATA$Salary %in% "Salary") [1] 16 32 48 64 80 96 102 118 134 150 166 182 198 214 230 246 262 278 294 310 326 342 358 374 390 406 422 438 454 470 486 502 518 [34] 534 550 566 ##去除多余的标题所在的行 DATA<-DATA[-(which(DATA$Salary %in% "Salary")),] dim(DATA) [1] 545 4
变量Salary一般都是范围值,用“-”连接,但是不排除有XXK以上,例如10k以上这种表示形式,或者其他形式,这里需要处理一下。
##如果薪资是一个范围值,都是"-"连接,注意,薪资是一个范围值,匹配末尾结束k值需要注意,有大写K和小写k两种形式。 newdata<-DATA[grep('//-',DATA$Salary),] dim(newdata) [1] 544 4 ##对比前面dim(DATA),说明薪水少了一行,Salary具有其他的表示形式。 ##这里将范围薪水的值分成底薪和高薪两部分,后面取平均值来表示薪水 library(tidyr) library(stringr) newdata<-separate(data=newdata,col=Salary,into=c("lowsalary","highsalary"),sep="-") ##分别去除后面的k值,注意k有大写和小写两种形式 newdata$lowsalary<-str_replace(newdata$lowsalary,'k|K',"")## |表示或的关系 newdata$highsalary<-str_replace(newdata$highsalary,'k|K',"") newdata$lowsalary<-as.numeric(newdata$lowsalary)##转换数据类型 newdata$highsalary<-as.numeric(newdata$highsalary) newdata$salary<-(newdata$lowsalary+newdata$highsalary)/2 newdadat<-newdata[,-c(1,2)]##去除原有的lowsalary和highsalary
###Education部分 ##首先将Education中工作经验和学历分开 newdata<-separate(data = newdata,col=Education,into=c("Experience","Graduate"),sep = '/') table(newdata$Experience) 经验1-3年 经验1年以下 经验3-5年 经验5-10年 经验不限 经验应届毕业生 187 6 261 46 37 7 table(newdata$Graduate) 本科 不限 大专 硕士 447 27 63 7
##此处以公司人数作为描述公司规模的标准 newdata<-separate(data=newdata,col=Size,into=c('Type','Rong','Number'),sep='/') table(newdata$Number) 15-50人 150-500人 2000人以上 50-150人 500-2000人 少于15人 76 139 117 119 82 11 table(newdata$Rong) A轮 B轮 C轮 D轮及以上 不需要融资 上市公司 天使轮 未融资 86 81 54 30 132 80 33 48 ##将Type去除 newdata<-newdata[,-3]
Welfare<-newdata[,"Welfare"] ##将Welfare去除 newdata<-newdata[,-5] head(newdata)
到此,数据清洗部分内容全部结束。
library(ggplot2) ggplot(newdata,aes(x=Experience,y=salary))+geom_boxplot(col="red")
符合大众的认知,从事python的应届毕业生起始工资平均值在5K左右,且薪资水平跨度最小,经验5-10年,工资水平跨度最大,主要可能是因为,有一部分转为技术管理岗位,工资较低的可能还在继续码代码,是不是对广大同胞们的警告啊.......
ggplot(newdata,aes(x=Graduate,y=salary))+geom_boxplot(col="red")
这里是否能说明学历在一定程度上的重要性?学历本科的工资跨度比较大,因为工作经验的不同导致了薪资的差异。
ggplot(newdata,aes(x=Rong,y=salary))+geom_boxplot(col="red")
对于这部分知识是盲点,但是可以看出融资公司(上市也是一种融资方式)比没有融资的公司平均工资要高出不少,这部分是不是可以是以后找工作的一个风向标。。。
公司规模越大,平均的工资也越高。
library(ggthemes) library(scales) ggplot(newdata,aes(x=Experience,y=salary,fill=factor(Graduate)))+ geom_boxplot()+ geom_hline(aes(yintercept=20),color="red",linetype="dashed",lwd=1)+ scale_y_continuous(labels=dollar_format())+theme_few()
这张图告诉我们,在大部分情况下,没(Ren)钱(Chou)就要多读书。不管是经验经验1年以下、经验3-5年、经验5-10年、经验不限的情况下,拥有硕士学历的平均收入都普遍高于本科,本科都高于大专。(这里完全没有歧视低学历之意)
##公司福利的云图 library(jiebaR) Welfare<-as.character(Welfare) wk = worker() seg_words<-wk[Welfare] library(plyr) library(wordcloud) tableWord<-count(seg_words) windowsFonts(myFont=windowsFont("华文彩云")) ##使用华文彩云字体 wordcloud(tableWord[,1],tableWord[,2],random.order=F,col= rainbow(100),family="myFont")
现在公司的福利贴有“弹性工作,氛围好,团队,大牛,技术,五险一金”等标签来吸引求职者眼球。
1.Python岗、Java岗、C++岗、PHP岗、C#岗位的平均薪水
抓取拉勾网职位信息,可以看出python和java的平均薪资较高,C#的平均工资最低。
由此也验证python近几年火热的态势,由于AI的火热,python的需求越来越大,传统的java也比较强势,薪资待遇较高。
对于不同工作经验,不同编程语言平均薪水还是有较大的差异。
通过硕士、本科、大专、不限四种比较,硕士的总体薪资高于本科。
总的看来,在每个职业,硕士学历的平均薪水高于本科,本科的平均薪水高于大专。