苏州市java岗位的薪资状况（1）

8月份已经正式离职，这两个月主要在做新书校对工作。9月份陆续投了几份简历，参加了两次半面试，第一次是家做办公自动化的公司，开的薪水和招聘信息严重不符，感觉实在是在浪费时间，你说你给不了那么多为什还往上发布？第二次是家做业务系统的中型公司，结果面试我的技术总监直接被我按在地上摩擦，估计没戏了。还有半次，是个研究所，电话和微信简单沟通了一下，结果感觉自己有点被摩擦的意思，不愧挂着研究俩字。后两家公司的薪水区间几乎相同，但人员的技术水平却相差很大，这让我有些好奇，忍不住想分析一下苏州类似岗位的薪资水平。

我在51job上搜索了一下苏州，计算机软件，互联网/电子商务，计算机服务，近一月的java相关职位，一共33页。

第1页的URL是：

https://search.51job.com/list/070300,000000,0000,00,3,99,java,2,1.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=

第2页是：

https://search.51job.com/list/070300,000000,0000,00,3,99,java,2,2.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=

不同之处在 java2,1.html 和 java2,2.html 看来那个不同的数字就是翻页信息。

在浏览器F12一下，页面dom布局大概是这样：

 于是爬取了一下全部数据：

from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup
import csv
from itertools import chain
import threading

def get_jobs(url):
    '''
    根据url爬取职位信息
    :param url:
    :return: 职位列表,每个元素是一个四元组(职位名, 薪资，发布时间，详情页面url)
    '''
    try:
        html = urlopen(url)
    except HTTPError as e:
        print('Page was not found')
        return []

    jobs = []
    try:
        bsObj = BeautifulSoup(html.read())
        jobs_div = bsObj.find('div', {'id': 'resultList'}).findAll('div', {'class':'el'})
        for div in jobs_div[1:]:
            span_list = div.findAll('span')
            job_name = span_list[0].a.get_text().strip() # 职位名称
            job_url = span_list[0].a.attrs['href'].strip() # 职位详情url
            job_comp = span_list[1].a.get_text().strip() #公司名称
            job_salary = span_list[3].get_text().strip() # 薪资
            job_date = span_list[4].get_text().strip() # 日期
            jobs.append((job_comp, job_name, job_salary, job_date, job_url))
    except AttributeError as e:
        print(e)
        return []
    return jobs

def crawl():
    '''
    分页苏州市近一月内的java相关职位
    :return: 职位列表,每个元素是一个四元组(职位名, 薪资，发布时间，详情页面url)
    '''
    # 查询条件：java；苏州；计算机软件、计算机服务(系统、数据服务、维修)、互联网/电子商务；近一月
    url = 'https://search.51job.com/list/070300,000000,0000,01%252C38%252C32,9,99,java,2,{0}.html?' \
          'lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99' \
          '&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1' \
          '&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare='
    all_jobs = []

    def _crawl(page_start, page_end):
        '''
        分页爬取数据
        :param page_start: 起始页
        :param page_end: 终止页
        :return:
        '''
        print('crawl {0}~{1} start...'.format(page_start, page_end))
        for i in range(page_start, page_end):
            # 翻页url
            page_url = url.format(str(i))
            jobs = get_jobs(page_url)
            if len(jobs) == 0:
                break
            all_jobs.append(jobs)
        print('crawl {0}~{1} over'.format(page_start, page_end))

    # 线程列表
    thread_list = []
    start_nums = list(range(0, 45, 5))
    end_nums = list(range(5, 50, 5))
    # 每5页一个线程, 最多50页
    for i in range(len(start_nums)):
        t = threading.Thread(target=_crawl, args=(start_nums[i], end_nums[i]))
        thread_list.append(t)

    print('开始爬取数据...')
    for t in thread_list:
        t.start()
    for t in thread_list:
        t.join()
    print('爬取结束')

    return all_jobs

def save_data(all_jobs):
    '''
    将职位信息保存到joblist.csv
    :param all_jobs: 二维列表，每个元素是一页的职位信息
    '''
    print('正在保存数据...')
    with open('joblist.csv', 'w', encoding='utf-8', newline='') as fp:
        w = csv.writer(fp)
        # 将二维列表转换成一维
        t = list(chain(*all_jobs))
        w.writerows(t)
        print('保存结束，共{}条数据'.format(len(t)))

if __name__ == '__main__':
    # 爬取数据
    all_jobs = crawl()
    # 保存数据
    save_data(all_jobs)

为了爬的快点，开了多个线程，最后把数据保存在joblist.csv中。近一个月共有967个java相关职位：

 

打开csv，发现里面的数据并不太好：

……

江苏未至科技股份有限公司,实施工程师(苏州),4-8千/月,09-25,https://jobs.51job.com/suzhou-gxq/105762963.html?s=01&t=0
江苏未至科技股份有限公司,交付工程师,6-7千/月,09-25,https://jobs.51job.com/suzhou-gxq/104253078.html?s=01&t=0
易程创新科技有限公司苏州分公司,高级软件工程师,1-2万/月,09-25,https://jobs.51job.com/suzhou-gxq/100292396.html?s=01&t=0
江苏未至科技股份有限公司,项目经理,0.8-1.6万/月,09-25,https://jobs.51job.com/suzhou-gxq/85646230.html?s=01&t=0
达内时代教育集团,咨询顾问底薪4-7K+五险一金,1-1.5万/月,09-25,https://jobs.51job.com/suzhou-gsq/113505714.html?s=01&t=0
达内时代教育集团,搜索顾问底薪4-7K-上市企业,1-1.5万/月,09-25,https://jobs.51job.com/suzhou-gsq/113505583.html?s=01&t=0
苏州工业园区测绘地理信息有限公司...,Web前端开发工程师,6-15万/年,09-25,https://jobs.51job.com/suzhou-gyyq/86942466.html?s=01&t=0
江苏云坤信息科技有限公司,项目经理,1-1.8万/月,09-25,https://jobs.51job.com/suzhou-gyyq/112994728.html?s=01&t=0
江苏云坤信息科技有限公司,前端开发工程师,0.8-1.5万/月,09-25,https://jobs.51job.com/suzhou-gyyq/70761080.html?s=01&t=0
苏州智享云信息科技有限公司,系统架构师,1.6-2.5万/月,09-25,https://jobs.51job.com/suzhou/108411172.html?s=01&t=0
英诺赛科（苏州）半导体有限公司,MES 工程师,0.6-1万/月,09-25,https://jobs.51job.com/suzhou-wjq/115142646.html?s=01&t=0
苏州麦芒软件科技有限公司,软件测试助理工程师,4-6千/月,09-25,https://jobs.51job.com/suzhou/115511688.html?s=01&t=0
三门峡崤云信息服务股份有限公司,大数据挖掘工程师,0.8-2万/月,09-25,https://jobs.51job.com/sanmenxia/110394655.html?s=01&t=0
苏州春慷咨询管理有限公司,软件实施工程师,0.3-1万/月,09-25,https://jobs.51job.com/suzhou-gsq/115617730.html?s=01&t=0
苏州佑捷科技有限公司,高级开发工程师,1.5-2万/月,09-25,https://jobs.51job.com/suzhou-gxq/114727492.html?s=01&t=0
苏州佑捷科技有限公司,Android开发工程师,1-2.5万/月,09-25,https://jobs.51job.com/suzhou-gxq/114726758.html?s=01&t=0
瑞泰信息技术有限公司,.NET开发工程师（实习生）,6.5-8.5千/月,09-25,https://jobs.51job.com/suzhou/108055469.html?s=01&t=0
北京直真科技股份有限公司,前端开发工程师（苏州）,1.1-1.7万/月,09-25,https://jobs.51job.com/suzhou/113018219.html?s=01&t=0

……

职位包含测试、项目经理、售前、Android，还有一部分.net也混进来了，所以分析前需要过滤掉这些数据。'测试', '.Net', '运维', '嵌入式','前端'，这些职位都不要，’总监', '主管', '技术', '研发', '开发', '经理', 'java', 'JAVA', 'Java', '工程师’ ，这些需要保留。

薪资的单位也不统一，有万/年，万/月，千/月， 统一转换成万/年，没写薪资的也不要。

import csv
from decimal import Decimal
import pandas as pd
import numpy as np

def load_datas():
    '''
    从joblist.csv中装载数据
    :return: 数据集 datas
    '''
    datas = []
    with open('joblist.csv', encoding='utf-8') as fp:
        r = csv.reader(fp)
        for row in r:
            datas.append(row)
    return datas

def clear(datas):
    '''
    数据清洗
    规则：
        1.没有标明薪资的，直接去掉；
        2.万/月和千/月转换成万/年
    :param datas: 原始数据
    :return: 清洗后的数据
    '''
    result = []
    for d in datas:
        # 清洗后的数据
        new_d = []
        new_d.append(d[0]) # 公司
        job = filter_job(d[1]) # 公司
        # 去掉公司不符合的数据
        if job == '':
            continue
        new_d.append(d[1]) # 职位
        salary_start, salary_end = salary_trans(d[2])
        # 去掉没写薪资的数据
        if salary_start == '':
            continue
        else:
            new_d.append(salary_start)
            new_d.append(salary_end)
        new_d.append(d[3]) # 发布日期
        new_d.append(d[4]) # 详细页面URL
        result.append(new_d)
    return result

def filter_job(job):
    '''
    过滤职位名称
    :param job: 职位
    :return: 如果被过滤掉，返回''
    '''
    # 黑名单
    black = ['测试', '.Net', '运维', '嵌入式', '前端']
    # job在黑名单中
    if [job.find(x, 0, len(job)) for x in black].count(-1) < len(black):
        return ''
    # job在白名单
    white = ['总监', '主管', '技术', '研发', '开发', '经理', 'java', 'JAVA', 'Java', '工程师']
    if [job.find(x, 0, len(job)) for x in white].count(-1) > 0:
        return job
    return ''

def salary_trans(salary):
    '''
    对薪资进行数据中
    :param salary: 薪资
    :return: 二元组（起始年薪(万/年), 终止年薪(万/年)）
    '''
    start, end = '', '' # 起始年薪， 终止年薪
    # 将所有薪资单位转换成 万/年
    if salary.endswith('万/年'):
        s = salary.replace('万/年', '').split('-')
        start, end = s[0], s[1]
    elif salary.endswith('万/月'):
        s = salary.replace('万/月', '').split('-')
        start = (Decimal(s[0]) * 12).normalize()
        end = (Decimal(s[1]) * 12).normalize()
    elif salary.endswith('千/月'):
        s = salary.replace('千/月', '').split('-')
        start = (Decimal(s[0]) * 12 / 10).normalize()
        end = (Decimal(s[1]) * 12 / 10).normalize()
    return start, end

if __name__ == '__main__':
    # 读取并清洗数据
    datas = np.array(clear(load_datas()))
    print(len(datas))

 还剩789条。

分析开始，分别看起始薪资和终止薪资的top5。

def analysis(datas):
    ''' 数据分析 '''
    df = pd.DataFrame({'comp_name': datas[:, 0],
                       'job_name': datas[:, 1],
                       'salary_start': datas[:, 2],
                       'salary_end': datas[:, 3],
                       'publish_date': datas[:, 4],
                       'url': datas[:, 5]})

    def _salary_analysis(row_idx, row_name):
        # 按薪资分组
        grp_salary = df.groupby(row_idx)
        # 按薪资排序
        grp_salary = sorted(grp_salary, key=lambda x: float(x[0]))
        print('按{}分组,共{}组不同的薪资'.format(row_name, len(grp_salary)).center(40, '-'))
        print('%-20s%-20s%-20s' % ('No.', row_idx, 'count'))
        for i, (salary, group) in enumerate(grp_salary):
            print('%-20d%-20s%-20d' % (i, salary, len(group)))

        # 薪资最高的 top5
        salary_top5 = sorted(grp_salary, reverse=True, key=lambda x: float(x[0]))
        print('\n', row_name, '最高的top5')
        print('%-20s%-20s%-20s' % ('No.', row_idx, 'count'))
        for i, (salary, group) in enumerate(salary_top5):
            if i == 5:
                break
            print('%-20d%-20s%-20d' % (i, salary, len(group)))
            # print(group)

        # 职位最多的 top5
        count_top5 = sorted(grp_salary, reverse=True, key=lambda x: len(x[1]))
        print('\n职位最多的top5')
        print('%-20s%-20s%-20s' % ('No.', row_idx, 'count'))
        for i, (salary, group) in enumerate(count_top5):
            if i == 5:
                break
            print('%-20d%-20s%-20d' % (i, salary, len(group)))

    _salary_analysis('salary_start', '起始薪资')
    print()
    _salary_analysis('salary_end', '终止薪资')

 

看来大多数职位的起始薪水是9.6~12万/年。

终止薪资的top5:

 其中一个居然是360万/年，这有点扯了，在 def analysis(datas) 的第28行放开注释，很容易找打这条数据：

 中翔科技（杭州）有限公司,技术总监,20-30万/月,08-05,https://jobs.51job.com/suzhou/115839486.html?s=01&t=0

估计是把年薪写成月薪了。改正这条数据后再分析一次top5：

看来整体行业不是那么景气。

明天继续向下钻取信息，看看高薪岗位的共性。 睡觉。

---

 

　　作者：我是8位的

　　出处：http://www.cnblogs.com/bigmonkey

　　本文以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，非商业用途！ 

　　扫描二维码关注公作者众号“我是8位的”