◆毛遂 毛紅霞

（四川大學(xué)錦城學(xué)院 計算機與軟件學(xué)院 四川 611731）

1 背景

伴隨著社會便利性科技的不斷發(fā)展和大數(shù)據(jù)相關(guān)技術(shù)的普及與應(yīng)用，大多數(shù)人由前往人才市場的傳統(tǒng)招聘轉(zhuǎn)變?yōu)樵谙嚓P(guān)招聘網(wǎng)查看和篩選合適崗位。網(wǎng)絡(luò)招聘不但招聘范圍廣、招聘信息齊全，而且招聘方式更為便捷。它打破了時間和地域的限制，逐漸成為企業(yè)組織招聘的主流方式之一[1]。但因為大量相關(guān)信息的充斥和地域空間的限制，很多的招聘者難以在短時間內(nèi)找出適合自己的崗位和工作地點。

網(wǎng)絡(luò)爬蟲技術(shù)的不斷發(fā)展剛好為這樣繁雜的數(shù)據(jù)找到了一條很好的處理道路，利用web 網(wǎng)絡(luò)爬蟲技術(shù)可以將大量的招聘信息保存到本地，再結(jié)合Python 語句就可以實現(xiàn)數(shù)據(jù)的清洗整合和圖例繪制。

2 相關(guān)技術(shù)分析

2.1 爬取技術(shù)分析

網(wǎng)絡(luò)爬蟲（Web Crawler），是一種按照一定的規(guī)則，自動提取Web網(wǎng)頁的應(yīng)用程序或者腳本，工作原理是基于http 協(xié)議中請求與響應(yīng)機制。其優(yōu)點在于，它可以將整個網(wǎng)頁的源代碼完整爬取下來[2]。訪問者通過相關(guān)設(shè)備發(fā)送請求并傳輸url 到目標服務(wù)器，目標服務(wù)器通過相關(guān)處理和優(yōu)化分析后返回訪問者所需信息，訪問者得到相關(guān)HTML 信息后可利用Beautiful Soup，正則表達式，Xpath 等技術(shù)去獲取到想要的網(wǎng)頁固定信息。此外本次實驗將通過引入selenium，time等包進行網(wǎng)頁的動態(tài)爬取。

2.2 數(shù)據(jù)清洗和可視化技術(shù)分析

Python 這門語言為技術(shù)者們提供了大量的數(shù)據(jù)處理的方式，常用的有pandas 以及matplotlib。Pandas 是用于高性能數(shù)據(jù)分析的技術(shù)庫，在支持各種數(shù)據(jù)結(jié)構(gòu)相互轉(zhuǎn)換的同時又可提取和保存數(shù)據(jù)。而Matplotlib 可以將處理好的數(shù)據(jù)轉(zhuǎn)化為圖表形式，通過可視化將數(shù)據(jù)進行直觀的展示[3]從而反映出數(shù)據(jù)的各項明顯特征。

3 總體描述

本次實驗將通過 Pycharm 2020.1.3，Google Chrome 86.0 和selenium 庫當中的webdriver 讓電腦自行模擬人登錄和訪問指定網(wǎng)站（51Job 招聘網(wǎng)站）的一系列行為。通過for 循環(huán)和driver.page_source保存翻頁的源代碼信息，再利用BeautifulSoup 相關(guān)方法提取指定信息的節(jié)點并保存至空列表，以便后續(xù)利用append 和get 方法獲取指定文本信息。數(shù)據(jù)清洗過程使用Python 語句實現(xiàn)非標準數(shù)值的處理和空缺值處理。

數(shù)據(jù)可視化過程利用Matplotlib 畫圖工具進行相應(yīng)的作圖，以便直觀看出目標爬取數(shù)據(jù)之間的聯(lián)系與區(qū)別。

4 爬取實現(xiàn)

4.1 登錄和搜索相關(guān)內(nèi)容

本次實驗爬取的51Job 網(wǎng)站在登錄前和登錄后所展示的內(nèi)容不同，故需要通過完成登錄才能實現(xiàn)相關(guān)數(shù)據(jù)的爬取工作。登錄過程使用語句如：driver.find_element_by_css_selector 和send_keys。此過程可以讓電腦自行實現(xiàn)輸入指定賬戶和密碼，若在登錄過程當中遇到驗證問題（滑塊點擊）則需手動輔助完成。

4.2 相關(guān)內(nèi)容的爬取

首先可以利用Google Chrome 瀏覽器的F12 開發(fā)者工具來查看所要爬取內(nèi)容在網(wǎng)頁上對應(yīng)的標識。之后使用BeautifulSoup 寫出提取表達式進行一一爬取。在原網(wǎng)頁中可以看到爬取對象職業(yè)名稱、工資、地點、要求、時間都是在span 這個節(jié)點下的，除了彼此之間的class 名稱不同。而公司名稱在a 節(jié)點下，公司的大小是在p 節(jié)點下。通過append 方法可以將爬取下來的文本信息放入每一個所對應(yīng)的空列表當中。具體代碼如下：

for i in soup.find_all（'span'，class_=['jname at'，'sal'，'d at'，'time'）

for i in soup.find_all（'a'，class_='cname at'）

for i in soup.find_all（'p'，class_='dc at'）

由于是利用webdriver 實現(xiàn)的動態(tài)爬取，所以需要實現(xiàn)自動翻頁。其具體如下：首先使用css 找到每頁原址定位如：在翻第二頁時的地址為（body >div：nth-child（4）>div.j_result >div >div.leftbox >div：nth-child（4）>div.j_page >div >div >div >ul >li：nth-child（3）>a）仿制如上操作7 頁之后發(fā)現(xiàn)，此后的css 定位將會固定不變，同時也不難看出在翻頁規(guī)律上唯一的不同是li：nth-child（）括號中的數(shù)字，當通過for 循環(huán)改變括號數(shù)字的時候便可實現(xiàn)網(wǎng)頁爬取。

5 數(shù)據(jù)清洗

5.1 數(shù)據(jù)去重和薪資缺失值處理

在保證數(shù)據(jù)一一對應(yīng)的前提下，去除重復(fù)行（data=data.drop_duplicates（））。

如果將所有薪水中帶有空值的數(shù)據(jù)剔除會大大降低數(shù)據(jù)統(tǒng)計的可靠程度，所以會將爬取的數(shù)據(jù)通過指定列名的形式來逐行遍歷，找出其眾數(shù)值并填入存在缺失值的行中。此時填充完的薪水列是單獨存在的新列，可以用覆蓋的形式讓其替代原始數(shù)據(jù)列。最后用isnull（）.sum（）來檢查缺失值是否消除，以驗證工作的可行性。

5.2 拆分和整合數(shù)據(jù)

通過觀察csv 文件當中的數(shù)據(jù)如：“北京-朝陽區(qū) | 3-4 年經(jīng)驗| 本科 | 招3 人”可以發(fā)現(xiàn)許多有用的數(shù)據(jù)是通過（ | ）相連在一起的，不滿足數(shù)據(jù)處理條件，所以需要將此列的數(shù)據(jù)進行相應(yīng)的拆分和保留。

同樣在文件中的requires 和company_size 列都可以發(fā)現(xiàn)一些不符合招聘信息格式的存在。此時就需要去進行相應(yīng)的處理工作。如requires 當中存在“深圳-福田區(qū) | 本科 | 招2 人”（標準格式為四個招聘信息）這樣招聘信息只有三個的情況，company_size 當中有著“私企”（標準格式為兩個招聘信息）。

在對應(yīng)的 jobField 列中存在如“后端研發(fā)工程師”這樣不包含所查詢關(guān)鍵詞Python 的崗位名稱的情況。同時也會存在python 中的開頭英文大小寫不統(tǒng)一的情況，所以都需要進行統(tǒng)一化處理。具體代碼如下：

J=j.split（' | '）

k=k.replace（'python'，'Python'）

if len（I）!=4 or len（J）!=2 or 'Python' not in k：

原始列名requires 拆分后構(gòu)成新列名“area”，“work year”，“education”，“hiring”，待裝入清洗后的數(shù)據(jù)之后將原來的列名requires刪除。對 Company_size 執(zhí)行相同操作后構(gòu)成 companyType 和companySize。

5.3 去掉括號內(nèi)容和地區(qū)優(yōu)化

在jobField 和companyType 當中可以發(fā)現(xiàn)有的數(shù)據(jù)是帶有多余括號的，為了使數(shù)據(jù)看起來美觀就需要利用正則表達式去掉中英文括號及其內(nèi)容（i=re.sub（'（.*?）'，''，i），i=re.sub（'（.*?）'，''，i））

清洗后的數(shù)據(jù)集當中地區(qū)數(shù)據(jù)依然存在附屬的情況，如“北京-朝陽區(qū)”，本次實驗只留下市級地區(qū)。

5.4 薪資優(yōu)化

在薪資列當中會出現(xiàn)薪資不統(tǒng)一的情況如：“***千/月，***元/天（日），***萬/月”所以綜合考慮，最佳的方案是將單位都統(tǒng)一成“***千/月”的形式。而對于薪資是一個區(qū)間的相關(guān)形式則采取平均數(shù)的方式來處理。如出現(xiàn)“5-8 千/月”在清洗后就會得到“6.5 千/月”的結(jié)果，結(jié)果保留一位小數(shù)。具體代碼如下：

mean_salary=（low_salary+high_salary）/2

salary='-'.join（（str（low_salary），str（high_salary）））+'千/月'

6 數(shù)據(jù)分析可視化

6.1 崗位占比和企業(yè)類型

根據(jù)清洗后的相關(guān)數(shù)據(jù)可以得出在與Python 技術(shù)相關(guān)工作崗位的餅狀圖（左圖），前五種分別為Python 開發(fā)工程師、Python 高級開發(fā)工程師、Python 工程師、Python 爬蟲工程師和Python 后端開發(fā)工程師。其實不難看相關(guān)崗位按照當前的潮流趨勢依然會以技術(shù)開發(fā)方向為主。俗話常說“興趣是最好的老師”生活就要把興趣和工作結(jié)合起來，做自己感興趣的事[4]招聘者可通過制作的圖表直觀獲得自己是否適合相關(guān)崗位的判斷。在保證高效篩選工作崗位的同時，也能獲得最為主觀的感受。

圖1 崗位占比（左）和企業(yè)類型圖（右）

在企業(yè)類型分布圖當中排名前五的類型分別是民營公司、上市公司、外企、合資和國企，而民營公司又以絕對性的市場占比力壓其他三者，可以看出在相關(guān)的技術(shù)領(lǐng)域民營公司對于新技術(shù)和對于人才的渴望是比較強烈的。

6.2 薪資同學(xué)歷與地區(qū)之間的關(guān)系

相信無論是在傳統(tǒng)行業(yè)還是新興行業(yè)，影響基本工資的因素主要有：職稱學(xué)歷、工齡、工作技能、工作量和職位差別等[5]這也合乎大家對于行業(yè)的傳統(tǒng)認知。通過圖2 可以很清楚看出由于學(xué)歷不同帶來的收入差距，這也解釋了這幾年以來為什么報考研究生的人數(shù)在不斷攀升的原因，每一個人都希望通過提升學(xué)歷來讓自己的薪資水平有一個質(zhì)的提升。以圖2 來看許多的公司都會以高額的薪資水平（本圖達到19.50 千/月）去吸引高級人才，其行業(yè)的熱門程度不言而喻。因為Python 語言由于其自身特點，在很多領(lǐng)域都非常優(yōu)秀，是一門真正的全棧語言。對于未來人工智能領(lǐng)域的發(fā)展，Python 語言會繼續(xù)發(fā)揮其不可代替的作用，推進信息時代的持續(xù)發(fā)展。[6]

圖2 薪資同學(xué)歷與地區(qū)之間的關(guān)系

通過圖2 也可以清晰看出相關(guān)崗位招聘最多的城市分別為：上海、深圳、廣州、北京和南京。北京、上海、廣州、深圳（北上廣深）作為我國最發(fā)達的城市，具有經(jīng)濟高速發(fā)展的獨特優(yōu)勢[7]。上海作為我國最早一批對外開放港口的城市，對于經(jīng)濟的影響力不言而喻，而支撐深厚經(jīng)濟基礎(chǔ)的必然是新技術(shù)、新發(fā)展、新產(chǎn)業(yè)和高技術(shù)人才。深圳和廣州都處在沿海地區(qū)對外和對內(nèi)貿(mào)易的交接口，隨著廣州貿(mào)易業(yè)務(wù)的不斷升級和深圳高科技創(chuàng)新金融產(chǎn)業(yè)的發(fā)展高級技術(shù)人才的需要必然也是剛需。所以緊靠著沿海城市和行業(yè)大公司落地較多的上海對于年輕人來說都是很理想的求職地選擇，剛好也是招聘發(fā)布最多的地方。

7 結(jié)束語

本文基于selenium 庫再結(jié)合Google Chrome 實現(xiàn)了對于招聘網(wǎng)站51Job 中與Python 技術(shù)相關(guān)職業(yè)崗位的爬取。通過數(shù)據(jù)的相關(guān)清洗和制圖模塊完成了數(shù)據(jù)可視化工作。對崗位占比、企業(yè)類型、薪資與學(xué)歷和崗位需求量與薪資之間的關(guān)系進行了相關(guān)的分析和結(jié)論總結(jié)，對于招聘者有著一定的輔助決策的作用。