在上一篇博客中，我和大家分享了整個11月份找作業的心路歷程，而在找作業的程序中，博主發現西安大小周、單休這種變相“996”的公司越來越多，感慨整個行業越來越“內卷”的同時，不免會對未來的人生有一點迷茫，因為深圳已經開始試運行“996”了，如果有一天“996”被合法化并成為一種常態，那么，我們又該如何去面對“人會一天天衰老，總有一天肝不動”的客觀規律呢？我注意到Boss直聘移動端會展示某個公司的作息時間，所以，我有了抓取西安市職位和公司資訊并對其進行資料分析的想法，我想知道，這到底是我一個人的感受呢？還是整個世界的確是這樣子的呢？帶著這樣的想法，博主有了今天這篇博客，所以，在今天這篇博客里，博主會從Boss直聘、智聯招聘以及前程無憂上抓取職位和公司資訊，并使用MongoDB對資料進行持久化，最終通過pyecharts對結果進行可視化展示，雖然不大確定2021年會不會變得更好，可生活最迷人的地方就在于它的不確定性，正如資料分析唯一可以做的，就是幫助我們從變化的事物中挖掘出不變的規律一樣，

爬蟲撰寫

其實，這種類似的資料分析，博主此前做過挺多的啦，譬如 基于Python實作的微信好友資料分析 以及 基于新浪微博的男女性擇偶觀資料分析(下) 這兩篇博客，總體上來說，大部分學習Python的朋友都是從撰寫爬蟲開始的，而在博主看來，資料分析是最終的目的，撰寫爬蟲則是達到這一目的的手段，而從始至終，“爬”與“反爬”的較量從未停止過，Requests、BeautifulSoup、Selenium、Phantom等等的技術層出不窮，考慮到現在撰寫爬蟲存在風險，所以，我不會在博客里透露過多的“爬蟲”細節，換言之，我不想成為一個教別人寫爬蟲的人，因為這篇博客的標簽是資料分析，關于爬蟲的部分，我點到為止，不再過多地去探討它的實作，希望大家理解，而之所以要從這三個招聘網站上抓取，主要還是為了增加樣本的多樣性，因為Boss直聘上西安市的職位居然只有3頁，這實在是太讓人費解了！

Boss直聘

通過抓包，我們可以分析出Boss直聘的地址：https://www.zhipin.com/job_detail/?query={query}&city={cityCode}&industry=&position=&page={page}，其中，query為待查詢關鍵詞，cityCode為待查詢城市代碼，page為待查詢的頁數，可以注意到，industry和position兩個引數沒有維護，它們分別表示待查詢的行業和待查詢的職稱，因為我們面向的是更一般的“打工人”，所以，這些都可以進行簡化，對于cityCode這個引數，我們可以通過下面的介面獲得：https://www.zhipin.com/wapi/zpCommon/data/city.json，這里，簡單定義一個方法extractCity()來提取城市代碼：

def extractCity(self, cityName=None):
    if (os.path.exists('bossCity.json') and cityName != None):
        with open('bossCity.json', 'rt', encoding='utf-8') as fp:
            cityList = json.load(fp)
            for city in cityList:
                if (city['name'] == cityName):
                    return city['code']
    else:
        response = requests.get(self.cityUrl)
        response.raise_for_status()
        json_data = response.json();
        if (json_data['code'] == 0 and json_data['zpData'] != None):
            cityList = []
            for level in json_data['zpData']['cityList']:
                cityList.extend(self.unfoldLevel(level))
            with open('bossCity.json', 'wt', encoding='utf-8') as fp:
                json.dump(cityList, fp)
            if (cityName != None):
                for city in cityList:
                    if (city['name'] == cityName):
                        return city['code']
            else:
                return json_data['zpData']['locationCity']['code']

接下來，我們可以撰寫searchJobs()方法來實作職位的檢索：

def searchJobs(self, cityName, query, page=1):
    cityCode = self.extractCity(cityName)
    if (cityCode  != None):
        searchUrl = 'https://www.zhipin.com/job_detail/?query={query}&city={cityCode}&industry=&position=&page={page}'.format(cityCode=cityCode, query=query, page=str(page))
        html = self.makeRequest(searchUrl)
        soup = BeautifulSoup(html)
        details = soup.find_all(name='div',attrs={'class','job-primary'})
        jobItems = []
        companyItems = []
        for detail in details:
            jobItem = self.extractJob(detail)
            if (jobItem == None):
                continue
            else:
                jobItems.append(jobItem)
            companyItem = self.extractCompany(detail)
            if (companyItem == None):
                continue
            else:
                jobItem['company'] = companyItem['title']
                jobItem['industry'] = companyItem['industry']
                companyItems.append(companyItem)
        return (jobItems,companyItems)

這里我們會用到requests、fake_useragent以及BeautifulSoup，如果你經常撰寫爬蟲的話，對它們應當不會感到陌生，唯一需要注意的有兩點：第一，Boss直聘會封殺爬蟲的IP，所以，可以考慮從互聯網上抓取免費的代理IP作為代理池，每次發起請求時隨機選取一個IP作為代理IP，這樣可以有效地減少被封殺的可能，第二，Boss直聘的Cookie最多只能使用4次，超過4次后就需要重新獲取Cookie， 目前，我沒有找到好的解決方案，有興趣的朋友可以參考 2019年末逆向復習系列之Boss直聘Cookie加密欄位__zp_stoken__逆向分析 這篇博客做一點逆向方面的研究，或者考慮使用PyExecJS載入前端JavaScript腳本來生成Cookie，因為逆向并不是我這篇博客的重點，在解決了這兩個問題后，我們就可以提取出每一頁的崗位和公司資訊，而這些都可以通過BeautifulSoup解決，這里不再贅述，關于Boss直聘部分的源代碼，請參考：https://github.com/qinyuanpei/job-analyse/blob/master/Spider/bossSpider.py，

智聯招聘

智聯招聘相對于Boss直聘要簡單一點，通過抓包分析，我們可以找到這樣一個地址：https://fe-api.zhaopin.com/c/i/sou?at={at}&_v={v}&x-zp-page-request-id={x-zp-page-request-id}&x-zp-client-id={v}&MmEwMD={MmEwMD}，通過這個介面可以直接獲得JSON格式的資料，可想要構造這幾個引數出來，實在是有一點困難，因為它遇到和Boss直聘一樣的問題，基本都需要一定的逆向功底，而如果嘗試去決議DOM，你會發現它的前端使用了Vue.js，換句話說，這個網站是由前端完成渲染的，這意味著，如果我直接訪問https://sou.zhaopin.com/?jl=854這個地址，是無法拿到可以決議的DOM結構的，這就多少會有一點尷尬，所以，實際上博主最后沒有實作智聯招聘的爬蟲，因為在這上面投入太多的精力，實在有一點得不償失，這里簡單說一下思路，基本上我們需要以POST方式呼叫這個介面，然后在Body中寫入下面的結構：

{"pageSize":"30","cityId":854,"workExperience":"-1","companyType":"-1","employmentType":"-1","jobWelfareTag":"-1","kt":"3","at":"20673d42d62d48c38add329318fb9e2c","rt":"84a950e77e054854b4d2f9d90826d063","_v":"0.97312845","userCode":662040894,"eventScenario":"pcSearchedSouIndex","cvNumber":"JM620408945R90500002000"}

這里依然要解決Cookie的問題，它這個Cookie簡直不能更惡心，因為引數實在是太多了：

那么，我放棄了，感興趣的朋友可以順著這個思路繼續探索，加油！

前程無憂

相對于Boss直聘和智聯招聘，前程無憂要更簡單一點，這種簡單是從心智體驗上來講，經過分析，它的地址為：https://search.51job.com/list/200200,000000,0000,00,9,99,+,2,{page}.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=，它的簡單體現在，可以直接通過修改page這個引數來達到抓取某一頁資料的目的，它本身沒有特別強大的反爬機制，所以，事實上，它是整個資料分析主要的資料來源，在這個地址里可能有一點大家看不懂的東西，沒關系，博主一樣看不懂，我們只需要知道它表示西安就可以了，如果想抓取某個城市的職位資訊，可以直接在前程無憂上搜索，地址欄會告訴你這一切是如何變化的，需要說明的是，前程無憂的職位資訊是存盤在window.__SEARCH_RESULT__這個變數里的，所以，我們通過這個正則直接去匹配它即可，不需要再去決議DOM，這再次體現出了它的簡單：

def searchJobs(self, cityName, query, page=1):
    cityCode = cityName
    if (cityCode   != None):
        searchUrl = 'https://search.51job.com/list/200200,000000,0000,00,9,99,+,2,{page}.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare='.format(page=str(page))
        html = self.makeRequest(searchUrl)
        data = re.findall('window.__SEARCH_RESULT__ =(.+)}</script>', str(html))[0] + "}"
        details = json.loads(data)['engine_search_result']
        jobItems = []
        companyItems = []
        for detail in details:
            jobItem = self.extractJob(detail)
            if (jobItem == None):
                continue
            else:
                jobItems.append(jobItem)
            companyItem = self.extractCompany(detail)
            if (companyItem == None):
                continue
            else:
                companyItems.append(companyItem)
            return (jobItems,companyItems)

因為這里真正起作用的實際上只有page這個引數，所以，我們只需要回圈每一頁就可以了，博主就是通過這個方法抓取了大量的職位資訊，同樣地，我們通過extractJob()和extractCompany()兩個方法來組裝職位和公司的資訊，最終通過元組的形式回傳，由呼叫者自己決定要如何去處理這些資料，雖然，我們選擇了MongoDB這樣的資料庫，它不像關系型資料庫那樣重視Schema，可為了我們最終分析資料的時候方便一點，還是建議使用一致的資料結構，關于前程無憂部分的源代碼，請參考：https://github.com/qinyuanpei/job-analyse/blob/master/Spider/job51Spider.py，

資料分析

在開始今天的資料分析前，首先向大家展示下爬蟲抓取到的資料，截止到寫這篇的博客的時間，博主一共收集了20000個左右的職位/公司資訊，如下圖所示：

接下來，我們從資料庫中讀取這些資料以開始下面的分析：

store = Store.mongoStore.MongoStore('default')
jobs = list(store.find('job',{}))
companies = list(store.find('company',{}))

行業結構分析

俗話說，“男怕入錯行，女怕嫁錯郎”，我們今天的社會是一個非常“苛刻”的社會，它要求每一個人在“合適”的年齡做“該做”的事情，可要達到這樣一個“標準”則是非常不容易的，在綜藝節目《令人心動的Offer》里，“大齡”、“裸辭”、“背水一戰”的丁輝，受到了來自紅圈律所的“精英”們的區別對待，仿佛一個人的人生不能有一丁點的差錯，或許人生的“試錯”成本真的非常高，高到人們在30歲左右的時候紛紛遭遇中年危機，所以，我們實在有必要去了解一個行業，它目前的求職現狀到底是什么樣的，這里以西安市為例：

def analyse_industry():
    industries = list(map(lambda x:x['industry'],companies))
    counter = Counter(industries)
    counter = sorted(counter.items(),key = lambda x:x[1],reverse = True)[0:15]
    counter = dict(counter)
    c = (
        Pie()
        .add("",[list(z) for z in zip(counter.keys(), counter.values())],label_opts=opts.LabelOpts(is_show=True, position="center"),)
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘行業結構分析(Top15)",pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
        .render("./Reports/西安市求職招聘行業結構分析(Top15).html")
    )

下面是整個西安市求職招聘排名前15位的行業結構：

可以注意到，其中占據份額較大的行業主要有：房地產、建筑/建材/工程、計算機軟體、電子技術/半導體/集成電路、教育/培訓/院校等，

學歷結構分析

作為一個“西漂”，博主對西安最深的一個印象就是，西安有著非常豐富的高校資源，正因為如此，博主一度認為西安遍歷都是研究生，因為在過去的四年里，的確接觸過不少研究生學歷的同事，相比之下，博主這樣一個普通211、非科班的本科生，著實顯得有點相形見絀，我在之前的博客里有提到去中興面試的經歷，這個經歷讓我第一次意識到，學歷和非科班的出身，終究有一天會成為你進入國企或者大廠的門檻，所以，博主在考慮要不要去讀一個在職的研究生，這種認識到底是不是幸存者偏差呢，我們來看看資料分析的結果：

def analyse_education():
    eduInfos = list(map(lambda x:x['eduInfo'], jobs))
    counter = Counter(eduInfos)
    counter = sorted(counter.items(),key = lambda x:x[1],reverse = True)
    counter = dict(counter)
    c = (
        Pie()
        .add("",[list(z) for z in zip(counter.keys(), counter.values())])
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘學歷結構分析",pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
        .render("./Reports/西安市求職招聘學歷結構分析.html")
    )

我承認我在胡說八道，因為結果非常的Amazing啊，非常的畢導啊：

我沒有想到研究生以上的比例這么低，可能是因為我身邊這些同事的層次都比較高吧，哈哈！可當學歷逐漸成為一種門檻，即使你比本科生多上三年學，最后一樣要在這世界上顛沛流離的時候，是不是會和博主有一樣的疑問，為什么IT行業會變成勞動密集型產業？是因為門檻低讓這個行業劣幣驅逐良幣呢，還是擁有高學歷的人才一樣要去擰螺絲？

薪資待遇分析

有時候，我會忍不住想，是不是在任何一個城市里，人們工資增長永遠都趕不上房價增長？如果真的是這樣，我們為什么又要從三線小城市出來呢？可能是覺得大城市有更好的機會吧，可轉眼到了2020年，上大學時一心想從事這個行業的我，當時無論如何都想不到若干年后要面對“35歲”這個問題，當“996”作為一種“福報”的聲音越來越強烈，曾經我們認為的那“一點點”機會，真的就是只剩下“一點點”，人有時候就是在靠著那點“不切實際”過日子，譬如固執的認為收入會越來越高，可其實任何作業都是有天花板的存在的，以大多數普通人的努力程度，一輩子連天花板都可能觸碰不到，真實的薪資水平到底是什么樣的呢？年薪30萬果真如此尋常等閑？我們一起來看：

def analyse_salary():
    salaries = list(map(lambda x:x['avgSalary'], list(filter(lambda x:x['avgSalary'] != 0, jobs))))
    counter = Counter(salaries)
    counter = sorted(counter.items(),key = lambda x:x[1],reverse = True)
    records = {'3000元以下':0, '3000元-5000元':0, '5000元-8000元':0, '8000元-12000元':0, '12000元-15000元':0, '15000元以上':0}
    for (k,v) in counter:
        if (k < 3000):
            records['3000元以下'] += v
        if (k >= 3000 and k < 5000):
            records['3000元-5000元'] += v
        if (k >= 5000 and k < 8000):
            records['5000元-8000元'] += v
        if (k >= 8000 and k < 12000):
            records['8000元-12000元'] += v
        if (k >= 12000 and k < 15000):
            records['12000元-15000元'] += v
        if (k >= 15000):
            records['15000元以上'] += v
    counter = dict(records)
    c = (
        Pie()
        .add("",[list(z) for z in zip(counter.keys(), counter.values())])
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘平均工資分析",pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
        .render("./Reports/西安市求職招聘平均工資分析.html")
    )

由此，我們得到了整個西安市的收入分布情況，顯然，**5000~8000*這個收入區間才是大多數普通人的真實寫照：

我們繼續分析，哪些行業的平均工資更高一點，因為這樣你會找到同齡人的參考物件：

def analyse_industry_salary():
    filtered = list(filter(lambda x:x['avgSalary'] != 0, jobs))
    salaries = {}
    for job in filtered:
        if (job['industry'] == ''):
            continue
        if salaries.get(job['industry']) == None:
            salaries[job['industry']] = [job['avgSalary']]
        else:
            salaries[job['industry']].append(job['avgSalary'])
    counter = {}
    for (industry, data) in salaries.items():
        counter[industry] = int(sum(data) / len(data))
    counter = sorted(counter.items(),key = lambda x:x[1],reverse = True)[0:15]
    counter = dict(counter)
    c = (
        Bar()
        .add_xaxis(list(counter.keys()))
        .add_yaxis("平均工資", list(counter.values()))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘行業工資分析(Top15)", pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .render("./Reports/西安市求職招聘行業工資分析(Top15).html")
    )

類似地，我們這里取排名前15位的行業進行分析：

可以注意到，工資收入靠前的行業主要集中在：互聯網/移動互聯網/計算機軟體/電子商務、信托/拍賣/典當/擔保、 智能硬體、法律、學術/科研、保險、房地產、金融/投資/證券、美容/保健等行業，可惜，從一名IT行業從業者的角度來看，西安實際上并沒有真正的互聯網公司，這個世界常常如此，每個月掙15K的人感慨自己買不起房，可還有那么多收入在8K以下的人群，還能再說什么呢？

學歷與薪資關系分析

通常大家都認為，學歷越高，薪資就會越高，那么，這個是否符合實際情況呢，我們一起來看一下：

def analyse_eduInfo_salary(industry=None):
    filtered = list(filter(lambda x:x['avgSalary'] != 0, jobs))
    if (industry != None):
        filtered = list(filter(lambda x:x['industry'] == industry, filtered))
    salaries = {}
    for job in filtered:
        if (job['eduInfo'] == ''):
            continue
        eduInfo = job['eduInfo']
        if (eduInfo in ['學歷不限','不限']):
            eduInfo = '學歷不限'
        if salaries.get(eduInfo) == None:
            salaries[eduInfo] = [job['avgSalary']]
        else:
            salaries[eduInfo].append(job['avgSalary'])
    counter = {}
    for (eduInfo, data) in salaries.items():
        counter[eduInfo] = int(sum(data) / len(data))
    c = (
        Bar()
        .add_xaxis(list(counter.keys()))
        .add_yaxis("平均工資", list(counter.values()))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘學歷與薪資關系分析", pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .render("./Reports/西安市求職招聘學歷與薪資關系分析.html")
    )

下面給出可視化以后的結果：

可以發現，整體上學歷和薪資是呈正比的，甚至“不限學歷”比“高中”的工資還要高一點，可如果有那么多“不限學歷”的作業，為什么今年還有那么多人找不到作業呢？我想，這就是我們常說的選擇，我們之所以付出努力，無非是想比別人多一點選擇，可正如納什均衡理論所言，如果我們大家都去選擇相同的東西，最后的結果可能是大家都得不到這樣東西，可話又說回來，明明都知道那個行業熱門，如果不做這個選擇，反而才是最奇怪的吧…

經驗與薪資關系分析

如果說學歷與薪資呈正比，那么經驗與薪資則不一定滿足這樣的關系，因為經驗其實是一個不準確的“度量”單位，以IT行業為例，在一家公司里，老員工的薪資被新員工的薪資“倒掛”是經常發生的事情，所以，人們似乎達成了某種共識，即期待公司主動漲薪是非常困難的，你唯一能做的就是在面試時爭取更多的薪資，這就要說到經驗這個話題，IT行業技術日新月異的特點，實在很難讓經驗變成一個“褒義詞”，因為經驗在積累的同時同樣在“過期”，更不用說那些一直在“重復”的人了，所以，我覺得掌握通用型的知識譬如演算法、資料結構等會更重要，

def analyse_exps_salary(industry=None):
    filtered = list(filter(lambda x:x['avgSalary'] != 0, jobs))
    if (industry != None):
        filtered = list(filter(lambda x:x['industry'] == industry, filtered))
    salaries = {}
    for job in filtered:
        if (job['exps'] == ''):
            continue
        exps = job['exps']
        exps = exps.replace('經驗','')
        if (exps in ['1年','1年以內','2年','1-3年']):
            exps = '1-3年'
        if (exps in ['不限','經驗不限']):
            exps = '經驗不限'
        if (exps in ['3到4年','3到5年','3-4年','3-5年']):
            exps = '3-5年'
        if (exps in ['8到9年','5到10年','5到7年','8-9年','5-10年','5-7年']):
            exps = '5-10年'
        if salaries.get(exps) == None:
            salaries[exps] = [job['avgSalary']]
        else:
            salaries[exps].append(job['avgSalary'])
    counter = {}
    for (industry, data) in salaries.items():
        counter[industry] = int(sum(data) / len(data))
    c = (
        Bar()
        .add_xaxis(list(counter.keys()))
        .add_yaxis("平均工資", list(counter.values()))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="西安市求職招聘作業經驗與薪資關系分析", pos_left=325),
            legend_opts=opts.LegendOpts(type_="scroll", pos_left="left", orient="vertical"),
        )
        .render("./Reports/西安市求職招聘作業經驗與薪資關系分析.html")
    )

一切都會向著我們期待的方向發展嗎？我們拭目以待：

可以發現，整體上，經驗越豐富，薪資待遇會越高，前提是你真的識訓了經驗，而不是在歲月的蹉跎里單單識訓了皺紋和滄桑，這是我們每個人都應該去反思的一個問題，如果一切的經驗都有過時的那一天，至少你真的擁有過它們，就像愛情這種東西一樣，

招聘熱詞分析

在招聘網站上，一般都會以標簽的方式，對職位要求、公司福利等進行描述，譬如五險一金、彈性打卡等等，通過這些標簽，我們就能對職位以及公司有個基本印象，所以，我們可以通過分析這些標簽，來展示在求職程序中求職者和招聘方各自關注哪些因素，下面，我們將以詞云的形式來展示這些標簽：

# 提取崗位關鍵字
job_tags = []
for item in map(lambda x:x['tags'], jobs):
    if (item != None):
        job_tags.extend(item)

# 提取公司關鍵字
company_tags = []
for item in map(lambda x:x['tags'], companies):
    if (item != None):
        company_tags.extend(item)

def analyse_extract_tags(words,title):
    words = list(filter(lambda x:x!='', words))
    data = Counter(words)
    c= (
        WordCloud()
        .add(series_name="熱門詞匯", data_pair=data.items(), word_size_range=[6, 66])
        .set_global_opts(
            title_opts=opts.TitleOpts(
                title=title, title_textstyle_opts=opts.TextStyleOpts(font_size=23)
            ),
            tooltip_opts=opts.TooltipOpts(is_show=True),
        )
        .render('.\Reports\{title}.html'.format(title=title))
    )

analyse_extract_tags(
    words=job_tags,
    title='西安市求職者熱詞分析'
)
analyse_extract_tags(
    words=company_tags,
    title='西安市招聘者熱詞分析'
)

可以注意到，五險一金、年終獎金、專業培訓、績效獎金、節日福利、帶薪年假是大家普遍關注的點，

本文小結

本文主要抓取了Boss直聘、智聯招聘、前程無憂三個招聘網站的職位資訊和公司資訊，并在此基礎上對西安市的求職招聘進行了資料分析，主要從行業結構、學歷結構、薪資待遇、學歷與薪資關系、經驗與薪資關系、招聘熱詞等方面入手，經分析，針對西安市的求職招聘的求職招聘，我們可以得出下面的結論：(1)西安市排名相對靠前的行業主要有：房地產、建筑/建材/工程、計算機軟體、電子技術/半導體/集成電路、教育/培訓/院校等；(2)西安市招聘的職位中大專和本科學歷約占總職位的75%左右，碩士以及博士學歷相對較低；(3)西安市的平均薪資中，5000~8000這個收入區間是大多數普通人的真實寫照，工資收入靠前的行業主要集中在：互聯網/移動互聯網/計算機軟體/電子商務、信托/拍賣/典當/擔保、 智能硬體、法律、學術/科研、保險、房地產、金融/投資/證券、美容/保健等行業；(4)擁有高學歷的人更有可能擁有高薪資；(5)整體上，經驗越豐富，薪資待遇會越高，前提是你真的識訓了經驗，而不是在歲月的蹉跎里單單識訓了皺紋和滄桑；(6)在整個求職招聘中，無論是求職者還是招聘者，普遍看重的因素有：五險一金、年終獎金、專業培訓、績效獎金、節日福利、帶薪年假等，雖然一開始的目的是想知道西安有多少“996”的公司，不過在后續的實作程序中，發現從Boss直聘上抓取不到這些資訊，所以，最終呈現出的結果就變成了現在這個樣子，考慮到篇幅，關于公司規模、公司型別的分析，沒有在這里寫出來，如果大家感興趣，可以參考：https://github.com/qinyuanpei/job-analyse/tree/master，以上就是這篇博客的全部內容啦，謝謝大家！