温馨提示：文末可扫描作者 QQ 名片

1. 项目简介 

本项目利用 Python 从某招聘网站抓取海量招聘数据，进行数据清洗和格式化后存储到关系型数据库中（如mysql、sqlite等），利用 Flask + Bootstrap + Echarts 搭建招聘信息可视化分析系统，实现不同岗位的学历要求、工作经验、技能要求、薪资待遇等维度的可视化分析，并根据岗位所在地进行不同地域（华东、华北、华中、华南、西南、西北和东北）维度的细粒度分析。同时依据用户需求实现热门岗位的推荐，并利用决策树算法实现岗位薪资的预测。

 2. 招聘信息

分析某招聘网站的网页结构和接口可以看出，招聘数据可直接通过接口返回的 json 格式数据直接得到，因此采集相对比较简单了，直接模拟接口请求，对返回的数据进行解析即可。

base_url = 'https://search.xxxxx.com/list/000000,000000,0000,00,9,99,%25E5%25BC%2580%25E5%258F%2591,2,{}.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare='datas = []for page in range(1, total_page + 1):    print('--> 第 {} 页'.format(page))    url = base_url.format(page)    headers = { 'Accept': 'application/json, text/javascript, */*; q=0.01', 'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36', 'accept-language': 'zh-CN,zh;q=0.9', 'cache-control': 'max-age=0', 'Cookie': 'Your Cookie', 'Host': 'search.51job.com',    }    response = requests.get(url, headers=headers)    items = response.json()['engine_jds']    for item in items: try:     job_name = item['job_name']     hangye = item['companyind_text']     company = item['company_name']     salary = item['providesalary_text']     location = item['attribute_text'][0]     location = location.split('-')[0]     location = location.split('_')[0]     jingyan = item['attribute_text'][1]     xueli = item['attribute_text'][2]     zhaopin_counts = 1#item['attribute_text'][3]     pub_time = item['issuedate']     datas.append((job_name, hangye, company, location, salary, jingyan, xueli, zhaopin_counts, pub_time)) except:     pass    print('爬取了 {} 条就业数据'.format(len(datas)))

 3. 招聘信息可视化分析系统

3.1 系统注册登录

3.2 招聘数据展示

3.3 各行业招聘岗位数与薪资分布

3.4 不同工作经验的岗位数与平均薪资的分布情况

3.5 不同学历的岗位数与平均薪资的分布情况 

3.6 不同区域热招岗位及其薪资分布情况

3.7 热门岗位推荐

3.8 基于决策树模型的岗位薪资价格预测 

扫描下方作者 QQ 名片