导读：
最近经常收到人事小姐姐和猎头小哥哥的面试邀请，想想最近也不是招聘旺季呀。但又想到许多小伙伴们有找工作这方面的需求，今天就来分享一篇简单的爬虫案例，旨在跟大家一起分析一下部分招聘市场。以"数据分析"为例。
Tips： 本次爬虫案例分析结果仅供学习参考，不做就业指导，根据自己实际需求自行分析决策。
需要用到的模块
import requests
import time
import random
import os
import requests
from bs4 import BeautifulSoup
import openpyxl
import numpy as np
爬虫代码
本次爬虫难度不大，属于入门级别的，只要懂得requests请求，BeautifulSoup解析即可轻松上手，下面是本次爬虫的主要代码。
def getPosition(url):
times=time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
print(u'\n本地时间：',times)
print(u'\n开始采集数据...')
# 请求获取返回值
data = getData(url)
# BeautifulSoup解析网页
soup = BeautifulSoup(data.text, features='lxml') # 对html进行解析，完成初始化
results = soup.find_all(attrs={'class': "job-list"})
job_list = results[0].find_all(attrs={'class': "job-primary"})
lens = len(job_list)
for num in range(lens):
positions = []
job = job_list[num]
# 根据节点查询相应数据
positions.extend(job.find_all(attrs={'class': "job-title"})[0].text.split())
positions.append(job.find_all(attrs={'class': "job-limit"})[0].text.split()[0])
job_limit = job.find_all(attrs={'class': "job-limit"})[0]
positions.extend(str(job_limit.p).rstrip('</p>').lstrip('<p>').split('<em class="vline"></em>'))
positions.append(job.find_all(attrs={'class': "company-text"})[0].text.split()[0])
company = job.find_all(attrs={'class': "company-text"})[0].p
positions.extend(company.a.text.split())
positions.extend(str(company).rstrip('</p>').split('<em class="vline"></em>')[1:])
positions.extend(job.find_all(attrs={'class': "info-desc"})[0].text.split())
positions.append(','.join(job.find_all(attrs={'class': "tags"})[0].text.split()))
write_to_excel(positions)
数据结果
获取到数据之后，需要对原始数据进行一些简单的清洗工作。清洗前需要先思考下你需要获取哪些信息，有针对性的清洗。
一探究竟
本次可视化分析工具是 Pyecharts
从技能标签找学习方向
将所有公司的技能标签统计后，绘制前十的技能需求直方图。从图中很明显地看到遥遥领先的分别是Python、SQL，数据分析思维及能力及Excel也紧跟其后。像小编做的数据挖掘技能需求量也不小。
似乎在数据分析职位中，Pythoner和SQL boy都是非常抢手的。
哪些城市的数分岗位更热门
由全国地理图可看的出，北上广深加苏州、厦门、杭州等都是很热门的城市，你会选择哪个城市？
全国都有哪些公司招聘数分职位
以公司名称的大小来表示各个公司招聘职位数，绘制招聘公司词云图。很明显地看的出如腾讯、阿里、OPPO、Boss等大厂需求量较大，因此机会也多。所以大家学好数据分析，进入大厂不是梦。
谈钱不伤感情
大家最关心的还是一个职位能给到我多少钱，比较还要养家糊口。
从全国各城市平均薪资排行榜看，遥遥领先的是北京、深圳、上海和杭州，分别是23K、19.7K、18.6K和18.5K。而小编所在的城市——成都，只有9K。文章不想写了，我想静静。。。
看完各城市平均薪资，再来瞧瞧各个行业的平均薪资吧。人力资源服务及银行这两个行业均超过了20K。
首先随机查看一个人力资源服务的，这类职位多为商业数据分析，该职位的特点是高学历是硬性，但对于工具使用要求不高，只需熟练使用EXCEL即可，需要些管理经验。
再看看银行行业，薪资水平真香！虽然没有说学历要求，但可能是一个默认的情况吧。职位描述中多次提及到业务数据，说明他对业务要求较高。需要会SQL语句，需要会搭建数据分析模型，这类模型不一定是机器学习模型，也会有很多统计类、数学类模型等等。
为啥北京公司的工资高
单独分析下北京的数据分析公司情况，公司规模在1000-9999人占比第一，达到37.2%，10000人以上的公司也高达22.87%，都是些大厂，工资水平能不高么。
有人说，公司人多，不一定有钱呐。好嘛，再来看看他们公司的融资阶段情况呢。D轮及以上上市的公司已经接近一半了，多半都是有钱的主哇。
成都数据分析公司啥情况
占比最多的是20-99人的小型公司，规模在1000-9999人的公司仅有34家，跟首都简直不能比。所以成都平均公司水平不过万，也是有原因的。
再来看看公司融资情况，大部分都是未融资的，上市公司仅占12.75%，D轮及以上的也只有5.39%呐。但从另一个角度想想，成都的发展潜力还是很大的。作为西南的重要枢纽城市，相信他会越来越棒的。
你还有啥想了解的——福利呐
最后再来看看大家比较关心的公司福利状况。
通过绘制福利词云图，看到大部分公司的常见福利都还是有的。意外的是少部分公司有提供不一样的福利，如无息住房借款、专属健身房、孝顺金等，真让人羡慕哇。
写在最后
最后多说两句。我们上面分析的内容仅是从一些常见的指标，并不能作为你入职一家公司的主要判断依据。个人觉得还需要从一家公司的企业文化、公司发展方向、提供职位的发展空间、所处行业跟你预期是否符合等等方面综合衡量。
打铁还需自身硬，选择都是双向的，你想入职一个理想的公司，首先还是需要达到他的岗位要求。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
👉Python学习路线汇总👈
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取哈）
👉Python必备开发工具👈
温馨提示：篇幅有限，已打包文件夹，获取方式在：文末
👉Python学习视频600合集👈
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉实战案例👈
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉100道Python练习题👈
检查学习结果。
👉面试刷题👈
资料领取
上述这份完整版的Python全套学习资料已经上传CSDN官方，朋友们如果需要可以微信扫描下方CSDN官方认证二维码输入“领取资料” 即可领取
