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），再用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。主要包括三部分内容：

爬取拉勾网5岗职位信息，以Python岗为例；
以Python岗位信息为例，分析影响薪资的因素；
5岗之间薪水因素影响比较分析。

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=全国#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。

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(DATAKaTeX parse error: Expected 'EOF', got '#' at position 171: …4] 534 550 566 #̲#去除多余的标题所在的行 DA…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(’\-’,DATAKaTeX parse error: Expected 'EOF', got '#' at position 34: …ata) [1] 544 4 #̲#对比前面dim(DATA)，…lowsalary<-str_replace(newdataKaTeX parse error: Expected 'EOF', got '#' at position 20: …alary,'k|K',"")#̲# |表示或的关系 newda…highsalary<-str_replace(newdata$highsalary,&#x27;k|K&#x27;,&quot;&quot;) newdata$highsalary,′k∣K′,"")newdatalowsalary<-as.numeric(newdataKaTeX parse error: Expected 'EOF', got '#' at position 11: lowsalary)#̲#转换数据类型 newdatahighsalary<-as.numeric(newdata$highsalary) newdata$highsalary)newdatasalary<-(newdata$lowsalary+newdata$lowsalary+newdatahighsalary)/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$Experience) 经验1-3年 经验1年以下 经验3-5年 经验5-10年 经验不限 经验应届毕业生 187 6 261 46 37 7 table(newdata$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187626146377table(newdataGraduate) 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$Number) 15-50人 150-500人 2000人以上 50-150人 500-2000人 少于15人 76 139 117 119 82 11 table(newdata$Number)15−50人150−500人2000人以上50−150人500−2000人少于15人761391171198211table(newdataRong) 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年的工资水平跨度最大，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。

5岗之间薪水因素影响比较分析![在这里插入图片描述](https://img-

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。

”我自己是一名从事了十余年的后端的老程序员，辞职后目前在做讲师，近期我花了一个月整理了一份最适合2018年学习的JAVA干货（里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料）从事后端的小伙伴们都可以来了解一下的，这里是程序员秘密聚集地，各位还在架构师的道路上挣扎的小伙伴们速来。“

加QQ群：585550789（名额有限哦！）