非　貓

?

招聘好幫手：用“蜂巢數(shù)據(jù)”篩選簡歷

非貓

Recruitment a Good Assistant: Use "Honeycomb Data" to Screen Resumes

Fei Mao

想要招到好員工，篩選簡歷是第一關(guān)，而且是一件枯燥的任務(wù)。本文教大家用蜂巢數(shù)據(jù)這款軟件來自動化篩選簡歷。

一、前言

我是一家IT公司的項目經(jīng)理，最近公司準備啟動一個新項目，我負責技術(shù)團隊的搭建。

招聘絕對是一件很耗體力的事，我這里主要指通過網(wǎng)上招聘渠道招人。每天要在茫茫的簡歷堆里挑選出符合公司用人要求的簡歷，有時候看了數(shù)十個也沒一個合適的，有時候前兩天剛看過的簡歷今天又看了一遍，相當考驗人的耐心。

這是一種機械又枯燥的勞動，應(yīng)該交給機器來做，至少應(yīng)該讓機器把大部分無用的數(shù)據(jù)先過濾掉才對。

前段時間聽朋友介紹過”蜂巢數(shù)據(jù)”這款軟件，它能對網(wǎng)頁數(shù)據(jù)進行自動化采集，處理，保存。我就用它來篩選網(wǎng)絡(luò)上的簡歷。

二、正文

“蜂巢數(shù)據(jù)”可以從官方網(wǎng)站上下載：http://cn.hdata.me/

也可以通過其它軟件下載站下載，請注意要下載1.3以后的版本，1.3以前的版本復(fù)制XPath有BUG。

下載安裝后，運行“蜂巢數(shù)據(jù)”，將看到如圖1所示的界面：

從左到右，依次是導(dǎo)航面板，任務(wù)面板和工作區(qū)。導(dǎo)航面板里可以看到各個任務(wù)組，點擊任務(wù)組后會打開任務(wù)面板，任務(wù)面板里面列出的是當前選中的任務(wù)組里的任務(wù)。

“蜂巢數(shù)據(jù)”以任務(wù)為工作單元，每個任務(wù)擁有自己的采集腳本和數(shù)據(jù)庫。各任務(wù)之間相互獨立，互不影響。

因為我負責的項目需要Android程序員，這里我就以Android程序員簡歷采集為例，給大家示范如何用“蜂巢數(shù)據(jù)”采集和過濾簡歷。

點擊工具欄上的“新建任務(wù)”按鈕，在彈出的新建任務(wù)對話框中輸入任務(wù)名“Android程序員”，然后點保存，如圖2所示：

任務(wù)創(chuàng)建完成后，“蜂巢數(shù)據(jù)”會在工作區(qū)自動打開任務(wù)編輯窗口。我們將在任務(wù)編輯窗口里完成編寫采集腳本，定義數(shù)據(jù)字段等工作。

任務(wù)編輯窗口的布局如圖3所示（為了擴大視圖，我關(guān)閉了導(dǎo)航面板和任務(wù)面板，只留下工作區(qū)）：

上面是腳本編輯區(qū)和瀏覽器，腳本編輯區(qū)用于編寫采集腳本，瀏覽器用于輔助腳本調(diào)試，當腳本運行時，瀏覽器會根據(jù)腳本的指令打開網(wǎng)頁。

下面是各種輔助腳本編寫的工具面板和數(shù)據(jù)字段編輯區(qū)：

1、輸出面板會顯示腳本運行過程中打印的內(nèi)容。

2、網(wǎng)頁審查面板可以查看瀏覽器中打開的網(wǎng)頁DOM結(jié)構(gòu)。

3、源文件面板可以查看瀏覽器中打開的網(wǎng)頁的源碼。

4、數(shù)據(jù)字段面板用于對當前任務(wù)數(shù)據(jù)庫字段的編輯。

介紹完任務(wù)編輯界面，接下來我們開始動工。

首先我們來定義數(shù)據(jù)字段，“蜂巢數(shù)據(jù)”會根據(jù)采集腳本，把網(wǎng)頁上的數(shù)據(jù)保存到本地數(shù)據(jù)庫供我們查看。我們要在腳本運行之前設(shè)計好數(shù)據(jù)庫，有哪些內(nèi)容需要保存。

這里要采集的是簡歷，一般個人簡歷包括這幾個部分：姓名，性別，年齡，工作經(jīng)驗，學(xué)歷，個人簡介，簡歷鏈接等數(shù)據(jù)。

我們在數(shù)據(jù)字段面板中，點擊添加字段，在彈出的添加字段對話框里填寫字段名，然后點擊保存。添加字段對話框里有一個“過濾重復(fù)數(shù)據(jù)”選項，鉤上后，如果數(shù)據(jù)庫里該字段下已存在相同的數(shù)據(jù)，數(shù)據(jù)將會被丟棄。我肯定不想看到重復(fù)的簡歷，所以這里對簡歷鏈接進行過濾。如圖4所示：

設(shè)計完數(shù)據(jù)庫字段后，我們可以開始編寫采集腳本了。采集腳本需要用JavaScript語言編寫（一種非常簡單的腳本語言，有網(wǎng)頁制作經(jīng)驗的朋友應(yīng)該很熟悉，百度上可以搜索到很多教程，這里就不多介紹了）。

第一步我們要打開待采集的網(wǎng)頁，我要從58同城上采集Android程序員簡歷，58同城里搜索簡歷的網(wǎng)頁地址是：http://hz.58.com/searchjob/？key=android

在“蜂巢數(shù)據(jù)”里通過腳本打開該頁面，語句是：

load（"http://hz.58.com/searchjob/？key=android"）；

如果你不懂JavaScript，可以直接復(fù)制上面的代碼到編輯區(qū)，把網(wǎng)頁地址替換成任何你想打開的頁面即可。需要注意的是，括號和雙引號不能漏寫也不能多寫，且必須是英文字符。

在腳本編輯區(qū)輸入以上代碼后，點擊編輯區(qū)左邊的運行按鈕，可以看到腳本運行的效果。目前我們只是打開了簡歷搜索頁面，還沒開始采集數(shù)據(jù)。如圖5所示：

第二步我們要分析網(wǎng)頁內(nèi)容，看看哪些數(shù)據(jù)是我們需要的。我們在瀏覽器里看下58同城的簡歷搜索結(jié)果，是一個列表，每一行是一條簡歷信息，分別有姓名，性別，年齡，工作經(jīng)驗，學(xué)歷等我們所需要的數(shù)據(jù)。

“蜂巢數(shù)據(jù)”可以根據(jù)XPath來提取網(wǎng)頁里的數(shù)據(jù)（XPath用于標識網(wǎng)頁中元素的地址，有興趣的朋友可以百度下）。我們在第一條簡歷的姓名上點擊鼠標右鍵，在彈出菜單里選擇復(fù)制XPath，如圖6所示：

然后在腳本編輯框內(nèi)，我們通過剛才復(fù)制的XPath提取姓名：name = inner_text（"http://*[@id='infolist']/dl/dd[2]"）；

（注意：剛才復(fù)制過來的XPath，infolist是被雙引號包起來的，腳本里我們替換成單引號，這是JavaScript語法需要，有興趣的朋友可以學(xué)習(xí)下JavaScript語法）

用同樣的辦法，我們再提取性別，年齡，工作經(jīng)驗，學(xué)歷等數(shù)據(jù)，然后我們通過“蜂巢數(shù)據(jù)”提供的print方法，把提取到的數(shù)據(jù)打印到輸出面板，如圖7所示：

完整的代碼如下：

load（"http://hz.58.com/searchjob/？key=android"）；

name = inner_text（"http://*[@id='infolist']/dl/dd[2]"）；

gender = inner_text（"http://*[@id='infolist']/dl/dd[3]"）；

age = inner_text（"http://*[@id='infolist']/dl/dd[4]"）；

exp = inner_text（"http://*[@id='infolist']/dl/dd[5]"）；

brief = inner_text（"http://*[@id='infolist']/dl/dt/span[2]"）；

link = attribute（"http://*[@id='infolist']/dl/dt/a"，"href"）；

print（"姓名：" + name.trim（））；

print（"性別：" + gender.trim（））；

print（"年齡：" + age.trim（））；

print（"工作經(jīng)驗：" + exp.trim（））；

print（"個人簡介：" + brief.trim（））；

print（"簡歷鏈接：" + link.trim（））；

在輸出面板，我們可以看到，姓名，性別，年齡，工作經(jīng)驗等信息。這些就是蜂巢數(shù)據(jù)根據(jù)腳本從網(wǎng)頁中提取的數(shù)據(jù)。

細心的朋友可能發(fā)現(xiàn)了，簡歷鏈接的提取跟其它元素有些不一樣，用了attribute這個函數(shù)。在58同城的網(wǎng)頁上，點擊簡歷后會打開另一個頁面顯示該簡歷的內(nèi)容，這是一個網(wǎng)頁鏈接，通過attribute函數(shù)我們就能獲取這個鏈接地址，而不是網(wǎng)頁上顯示的文字。熟悉網(wǎng)頁制作的朋友應(yīng)該猜到了，attribute函數(shù)的第二個參數(shù)href指的就是網(wǎng)頁鏈接中的href。

到目前為止，我們只是把提取的數(shù)據(jù)打印出來，接下來我們把提取的數(shù)據(jù)保存到數(shù)據(jù)庫，方便以后查看。保存數(shù)據(jù)很簡單，只需要調(diào)用save方法就可以了：

save（[name.trim（），gender.trim（），age.trim（），exp.trim（），brief.trim（），link.trim（）]）；

現(xiàn)在運行腳本，我們可以在數(shù)據(jù)字段面板里看到保存的數(shù)據(jù)，如圖8所示：

我們已經(jīng)成功采集到了第一條簡歷，接下來我們把整個頁面的簡歷都采集過來。

我們把網(wǎng)頁拉到最下面，復(fù)制最后一條簡歷姓名的XPath，跟第一條對比下，看看有啥區(qū)別：

//*[@id="infolist"]/dl/dd[2]

//*[@id="infolist"]/dl[35]/dd[2]

大家應(yīng)該注意到了，第一條XPath中間是dl（等同于dl [1]），最后一條XPath中間是dl[35]。也就是說，每條簡歷的XPath只有dl[*]中間的數(shù)字是不一樣的，學(xué)過JavaScript的朋友可能已經(jīng)想到了，可以通過一個循環(huán)語句來采集所有簡歷：

load（"http://hz.58.com/searchjob/？key=android"）；

for（i = 1；i < 100；i++）{

if（！has_element（"http://*[@id='infolist']/dl[" + i + "]/dd[2]"））

break；

name = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[2]"）；

gender = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[3]"）；

age = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[4]"）；

exp = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[5]"）；

brief = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dt/span[2]"）；

link = attribute（"http://*[@id='infolist']/dl[" + i + "]/dt/a"，"href"）；

save（[name.trim（），gender.trim（），age.trim（），exp.trim（），brief.trim（），link.trim（）]）；

}

上面代碼中的has_element是蜂巢數(shù)據(jù)提供的一個輔助函數(shù)，用來判斷網(wǎng)頁元素是否存在，因為我們不知道網(wǎng)頁里總共有幾條簡歷，所以需要通過has_element進行檢測。運行這段代碼后，我們會在數(shù)據(jù)字段面板里看到總共采集了35條簡歷，如圖9所示：

單個網(wǎng)頁上的簡歷采集完了，但58上搜到的簡歷不只一頁，接下來我們看看怎么用蜂巢數(shù)據(jù)采集多個頁面的數(shù)據(jù)。

把網(wǎng)頁拉到最下面，在第2頁的數(shù)字上右擊鼠標，選擇復(fù)制鏈接地址，用同樣的方法我們復(fù)制第3頁的鏈接地址對比下各個頁面的區(qū)別，如圖10所示：

http://hz.58.com/searchjob/pn2/？key=android

http://hz.58.com/searchjob/pn3/？key=android

對比第2頁和第3頁的鏈接地址，我們發(fā)現(xiàn)只有中間的pn2和pn3是不一樣的，同樣的我們可以通過一個循環(huán)分別打開各個頁面進行采集：

for（a = 1；a <= 5；a++）{

load（"http://hz.58.com/searchjob/pn" + a + "/？key=android"）；

for（i = 1；i <= 100；i++）{

if（！has_element（"http://*[@id='infolist']/dl[" + i + "]/dd[2]"））

break；

name = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[2]"）；

gender = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[3]"）；

age = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[4]"）；

exp = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dd[5]"）；

brief = inner_text（"http://*[@id='infolist']/dl[" + i + "]/dt/span[2]"）；

link = attribute（"http://*[@id='infolist']/dl[" + i + "]/dt/a"，"href"）；

save（[name.trim（），gender.trim（），age.trim（），exp.trim（），brief.trim（），link.trim（）]）；

}}

這里我只采集了5個頁面，因為再后面的簡歷大部分可能都是過時的，沒必要采集。具體采集幾頁，大家根據(jù)實際需求來設(shè)置就可以了。

腳本的編寫算是告一段落了，到目前為止，我們都在任務(wù)編輯模式下工作，采集到的數(shù)據(jù)也沒有真正保存到數(shù)據(jù)庫，關(guān)閉任務(wù)編輯窗口后采集到的數(shù)據(jù)就會消失。接下來我們在真實環(huán)境下運行腳本。

點擊工具欄上的保存按鈕保存任務(wù)，然后在任務(wù)面板里鼠標右擊Android程序員，選擇開始任務(wù)，如圖12所示：

任務(wù)運行結(jié)束后，鼠標右擊Android程序員，選擇查看數(shù)據(jù)，我們就可以在新打開的標簽里看到采集到的數(shù)據(jù)了，這些數(shù)據(jù)已經(jīng)保存在數(shù)據(jù)庫里了，關(guān)閉蜂巢數(shù)據(jù)后也不會丟失。你還可以選擇導(dǎo)致數(shù)據(jù)到Excel進一步處理。如圖13所示：

以后每天我只需要打開蜂巢數(shù)據(jù)，運行一遍Android程

序員任務(wù)，就能采集到當天更新的Android程序員簡歷，而且蜂巢數(shù)據(jù)已經(jīng)幫我過濾過重復(fù)的簡歷，省了我不少時間。

三、結(jié)尾

通過本文大家應(yīng)該對“蜂巢數(shù)據(jù)”的使用方法已經(jīng)有所了解，只要會點JavaScript編程基礎(chǔ)，就可以很方便地編寫腳本采集你所需要的內(nèi)容。

由于篇幅的原因，這里我就不深入去講解怎么用腳本篩選簡歷，無非就是通過JavaScript對提取到的數(shù)據(jù)進行分析，我相信大家熟悉了JavaScript語法后，這些都不是難事。

除了文中提到的簡歷篩選，“蜂巢數(shù)據(jù)”可以做的事還很多。比如找工作篩選職位，行業(yè)數(shù)據(jù)分析，論壇回帖跟蹤等。希望“蜂巢數(shù)據(jù)”能對你有所幫助。