1. 引言

随着大数据技术的快速发展，企业对大数据人才的需求日益增长。了解当前市场对大数据岗位的技能要求，可以帮助求职者精准提升技能，也能为企业招聘提供数据支持。

本文介绍如何利用 Python爬虫 从招聘网站（如拉勾网、智联招聘）抓取大数据相关岗位信息，并采用 自然语言处理（NLP） 技术对岗位描述（JD）进行关键词提取和技能分析，最终生成可视化报告。

2. 技术方案概述

1. 数据采集：使用 requests + BeautifulSoup 或 Scrapy 爬取招聘网站的大数据岗位信息。

2. 数据清洗：使用 Pandas 进行数据预处理，去除无效数据。

3. NLP 分析：采用 jieba 分词 + TF-IDF 或 TextRank 提取关键技能词。

4. 可视化：使用 Matplotlib 或 WordCloud 生成技能关键词云图。

3. 实现步骤

3.1 数据采集（Python爬虫）

以 拉勾网 为例，爬取大数据相关岗位信息（需模拟浏览器请求，避免反爬）。

3.1.1 安装依赖

3.1.2 爬取招聘数据

import requests

from bs4 import BeautifulSoup

import pandas as pd

import time

# 代理配置

proxyHost = "www.16yun.cn"

proxyPort = "5445"

proxyUser = "16QMSOML"

proxyPass = "280651"

# 代理设置

proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"

proxies = {

"http": proxyMeta,

"https": proxyMeta,

}

headers = {

"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36",

"Proxy-Authorization": f"Basic {proxyUser}:{proxyPass}" # 部分代理可能需要此头部

}

def fetch_jobs(keyword="大数据", page=1):

url = f"https://www.lagou.com/jobs/list_{keyword}/p-{page}?&filterOption=3"

try:

response = requests.get(url, headers=headers, proxies=proxies, timeout=10)

response.raise_for_status() # 检查请求是否成功

soup = BeautifulSoup(response.text, 'html.parser')

jobs = []

for item in soup.select(".item__10RTO"):

title = item.select_one(".p-top__1F7CL a").text.strip()

company = item.select_one(".company-name__2-SjF").text.strip()

salary = item.select_one(".money__3Lkgq").text.strip()

jd = item.select_one(".job-desc__3UqDp").text.strip()

jobs.append({

"title": title,

"company": company,

"salary": salary,

"jd": jd

})

return jobs

except Exception as e:

print(f"请求失败: {e}")

return []

# 爬取5页数据

all_jobs = []

for page in range(1, 6):

print(f"正在爬取第 {page} 页...")

jobs = fetch_jobs(page=page)

if jobs: # 只有成功获取数据时才添加

all_jobs.extend(jobs)

time.sleep(5) # 增加延迟，降低被封风险

# 存储为CSV

if all_jobs: # 检查是否有数据

df = pd.DataFrame(all_jobs)

df.to_csv("big_data_jobs.csv", index=False)

print(f"数据爬取完成！共获取 {len(all_jobs)} 条数据。")

else:

print("未能获取任何数据，请检查网络或代理设置。")

3.2 数据清洗

去除重复、缺失值，并提取关键字段：

import pandas as pd

df = pd.read_csv("big_data_jobs.csv")

df.drop_duplicates(inplace=True) # 去重

df.dropna(inplace=True) # 去除空值

print(f"有效岗位数: {len(df)}")

3.3 NLP 技能关键词提取

3.3.1 使用 jieba 分词 + TF-IDF 提取技能词

import jieba

from sklearn.feature_extraction.text import TfidfVectorizer

# 加载停用词

stopwords = set()

with open("stopwords.txt", "r", encoding="utf-8") as f:

for line in f:

stopwords.add(line.strip())

# 分词函数

def cut_text(text):

words = jieba.lcut(text)

return [word for word in words if word not in stopwords and len(word) > 1]

# 对所有JD进行分词

corpus = df["jd"].tolist()

words_list = [" ".join(cut_text(jd)) for jd in corpus]

# 计算TF-IDF

tfidf = TfidfVectorizer(max_features=100)

tfidf_matrix = tfidf.fit_transform(words_list)

feature_names = tfidf.get_feature_names_out()

# 获取最重要的技能词

word_importance = {}

for i, word in enumerate(feature_names):

word_importance[word] = tfidf_matrix[:, i].sum()

sorted_skills = sorted(word_importance.items(), key=lambda x: x[1], reverse=True)[:20]

print("Top 20 技能关键词：")

for skill, score in sorted_skills:

print(f"{skill}: {score:.2f}")

3.3.2 生成词云图

from wordcloud import WordCloud

import matplotlib.pyplot as plt

# 生成词云

word_freq = {k: v for k, v in word_importance.items() if v > 0.1}

wc = WordCloud(font_path="simhei.ttf", background_color="white", width=800, height=600)

wc.generate_from_frequencies(word_freq)

plt.figure(figsize=(10, 8))

plt.imshow(wc, interpolation="bilinear")

plt.axis("off")

plt.title("大数据岗位技能关键词云图", fontsize=16)

plt.show()

4. 分析结果

4.1 热门技能关键词

● 编程语言：Python、Java、Scala、SQL

● 大数据技术：Hadoop、Spark、Hive、Flink、Kafka

● 数据库：MySQL、HBase、Redis

● 数据分析：机器学习、数据挖掘、TensorFlow

4.2 薪资与技能关系

● 高薪岗位（>30K） 通常要求 Spark/Flink + 机器学习 经验。

● 初级岗位（<20K） 更侧重 SQL + Python + Hadoop。

5. 结论

1. Python 和 SQL 是大数据岗位的基础技能。

2. Spark、Flink、Hadoop 是当前企业最需要的大数据技术栈。

3. 机器学习能力 能显著提升薪资水平。

未来可扩展方向：

● 结合 情感分析 研究企业对不同技能的态度。

● 使用 LSTM/Transformer 进行岗位需求预测。