作者：徐涛
19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据。
知乎ID：parkson
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：
一、爬取拉勾网5岗职位信息--以Python岗为例
二、以Python岗位信息为例，分析影响薪资的因素
三、5岗之间薪水因素影响比较分析
一、爬取拉勾网5岗职位信息--以Python岗为例
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()
抓取结果如下：
将抓取结果循环写入csv文件：
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。
二、以Python岗位信息为例，分析影响薪资的因素
这里包括数据清洗部分和数据分析部分两部分内容。
数据清洗部分
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
1.变量Salary
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
2.变量Education
###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
3.变量Size
##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]
4.变量Welfare
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。
数据分析部分
1.工资与工作年限的关系
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.......
2.工资与学历的关系（专科，本科，研究生，不限）
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。
3.工资与公司融资的关系
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。。。
4.工资与公司大小的关系
公司规模越大，平均的工资也越高。
5.工资与工作时间和学历的关系
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）
6.公司福利的云图
##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。
三、5岗之间薪水因素影响比较分析
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。
2.相同工作经验不同职位信息薪水比较
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。
3.相同学历信息不同职位信息薪水比较
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。
4.同一职位不同学历信息薪水比较
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。
Python爱好者社区历史文章大合集：
Python爱好者社区历史文章列表（每周append更新一次）
福利：文末扫码立刻关注公众号，“Python爱好者社区”，开始学习Python课程：
关注后在公众号内回复“课程”即可获取：
小编的Python入门免费视频课程！！！
【最新免费微课】小编的Python快速上手matplotlib可视化库！！！
崔老师爬虫实战案例免费学习视频。
陈老师数据分析报告制作免费学习视频。
玩转大数据分析！Spark2.X+Python 精华实战课程免费学习视频。
