当前位置：首页 > 数据库

Python or Java？大数据解读学什么语言更赚钱

本文主要用Python爬取拉勾网不同编程语言职位信息，大数读学包括：Python岗、据解Java岗、什语C++岗、言更PHP岗、赚钱C#岗位(5岗);用R语言对影响薪资的大数读学因素进行分析。由于拉勾网的据解职位信息只显示30页，一页15个职位信息，什语如果单独爬取一个城市的言更岗位信息，只有几页是赚钱匹配的信息，信息量太小，大数读学分析没有说服力。据解因此，什语本文爬取拉勾网全国职位信息。言更主要三部分内容：

爬取拉勾网5岗职位信息--以Python岗为例以Python岗位信息为例，赚钱分析影响薪资的因素 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，云服务器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，网站模板都是"-"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***，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，源码下载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")