java Boss直聘爬虫数据分析

摘要

本报告利用Java和Selenium爬虫技术获取数据,并使用ECharts库对薪资数据进行可视化分析,旨在探究不同经验和学历的薪资分布情况。

数据来源

数据来源于Boss直聘,使用Java结合Selenium库进行数据抓取。

  • 数据总数:约2000家企业数据
  • 数据类型:java岗位、全栈、前端
  • 数据地区:深圳、广州

数据清洗

  • 比如15-30K·13薪,清洗为3个字段分别存储

salary清洗.png

UPDATE boss_index
SET
  salaryLowest = (
    SUBSTRING_INDEX(salaryDesc, '-', 1)
  ),
  salaryHighest = (
    SUBSTRING_INDEX(SUBSTRING_INDEX(salaryDesc, '-', -1), 'K', 1)
  ),
  salaryMonth = (
    CASE
      WHEN salaryDesc LIKE '%·%' THEN
        REPLACE(SUBSTRING_INDEX(salaryDesc, '·', -1), '薪', '')
      ELSE
        NULL
    END
  );

数据分析

  • 不同学历、不同经验、不同地区薪资分布,使用中位数和众数进行可以实话展示
  • 中位数
  • 众数

结果展示

tips:数据y轴大于100,结果为xx元/天
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

核心代码

爬虫

ChromeOptions ops = new ChromeOptions();
ops.addArguments("--remote-allow-origins=*");
System.setProperty("webdriver.chrome.driver", "driver/chromedriver.exe"); //chromedriver.exe存放的路径
System.setProperty("webdriver.chrome.whitelistedIps", "");
ChromeDriver driver = new ChromeDriver(ops);
driver.get("https://www.zhipin.com/web/geek/job?query=%E5%85%A8%E6%A0%88%E5%B7%A5%E7%A8%8B%E5%B8%88&city=101280100");
driver.manage().window().maximize();

数据分析sql

中位数
<select id="getModeSalaryHighest" resultType="com.example.springboot.dto.MedianSalaryResultDTO">
        SELECT
        tag AS group_tag_inner,
        salaryHighest AS mode_salaryHighest
        FROM
        (SELECT
        tag,
        salaryHighest,
        COUNT(*) AS count
        FROM
        boss_index
        WHERE
        salaryHighest IS NOT NULL
        GROUP BY
        tag,
        salaryHighest
        ) AS salary_highest_counts
        JOIN
        (SELECT
        tag AS tag_max_count,
        MAX(count) AS max_count
        FROM
        (SELECT
        tag,
        salaryHighest,
        COUNT(*) AS count
        FROM
        boss_index
        WHERE
        salaryHighest IS NOT NULL
        <if test="jobName != null">
            and jobName like concat('%', #{jobName}, '%')
        </if>
        <if test="areaDistrict != null">
            and areaDistrict like concat('%', #{areaDistrict}, '%')
        </if>
        <if test="educationLabel != null">
            and education_label like concat('%', #{educationLabel}, '%')
        </if>
        GROUP BY
        tag,
        salaryHighest
        ) AS subquery
        GROUP BY
        tag
        ) AS max_count_highest ON salary_highest_counts.tag = max_count_highest.tag_max_count AND salary_highest_counts.count = max_count_highest.max_count
        GROUP BY
        salary_highest_counts.tag,
        salary_highest_counts.salaryHighest
    </select>
众数
 <select id="getMedianSalarieshigh" resultMap="MedianSalaryResultMap">
        SELECT
            tag AS group_tag_inner,
            salaryHighest AS median_salaryHighest
        FROM
            (
                SELECT
                    tag,
                    salaryHighest,
                    @rowindex := IF(@group_tag = tag, @rowindex + 1, 1) AS rowindex, -- 按tag分组累加行号
            @group_tag := tag AS group_tag -- 更新tag
                FROM
                    boss_index,
                    (SELECT @rowindex := 0, @group_tag := '') var_init -- 初始化变量
                WHERE
                    salaryHighest IS NOT NULL
                ORDER BY
                    tag,
                    salaryHighest
            ) AS ranked_salaries
                JOIN
            (
                SELECT
                    tag AS tag_total_rows,
                    COUNT(*) AS total_rows
                FROM
                    boss_index
                WHERE
                salaryHighest IS NOT NULL
                <if test="jobName != null">
                    and jobName like concat('%', #{jobName}, '%')
                </if>
                <if test="areaDistrict != null">
                    and areaDistrict like concat('%', #{areaDistrict}, '%')
                </if>
                <if test="educationLabel != null">
                    and education_label like concat('%', #{educationLabel}, '%')
                </if>

                GROUP BY
                    tag
            ) AS total_rows ON ranked_salaries.tag = total_rows.tag_total_rows
        WHERE
            rowindex IN (FLOOR((total_rows + 1) / 2), FLOOR((total_rows + 2) / 2)) -- 使用总行数变量来确定中间的行号
        GROUP BY
            group_tag_inner
    </select>
  • 20
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值