基于Python技術(shù)分析智聯(lián)招聘網(wǎng)上某崗位數(shù)據(jù)信息的研究

[12]。網(wǎng)頁里匯總的內(nèi)容如下REF_Ref162888373\h表1“智聯(lián)招聘”發(fā)布信息。表SEQ表\*ARABIC1“智聯(lián)招聘”發(fā)布信息類型內(nèi)容1公司信息公司名稱、公司規(guī)模、公司類型、招聘人數(shù)、發(fā)布時間、職位發(fā)布者、公司主頁2崗位信息崗位名稱、崗位薪資、職位描述、崗位要求、崗位職責(zé)、工作地點、工作方式、崗位福利、任職資格等3資歷要求工作經(jīng)驗、學(xué)歷要求在爬蟲時首先經(jīng)過人工初步篩選出崗位的九個特征，因其他因素均不是本實驗要研究的內(nèi)容故被忽略掉。具體包含九個特征如下REF_Ref162888383\h表2爬蟲后的數(shù)據(jù)信息。表SEQ表\*ARABIC2爬蟲后的數(shù)據(jù)信息崗位名稱公司名稱薪水范圍地址工作經(jīng)歷學(xué)歷要求公司類型公司規(guī)模崗位標簽3.2數(shù)據(jù)的預(yù)處理本文初步爬取的5738個數(shù)據(jù)存在很多問題，首先，因為企業(yè)招聘者在平臺不同時間里有多次重復(fù)發(fā)布的信息或者同單位不同招聘者發(fā)布相同的招聘信息，招聘信息存在大量重復(fù)，其次，由于企業(yè)招聘不便透露自己公司具體情況而且存在人數(shù)的更新等其他原因，這些導(dǎo)致很多非必填項出現(xiàn)了缺失值，尤其是關(guān)鍵信息如公司類型、公司規(guī)模、崗位標簽，此外，數(shù)據(jù)單位或格式不規(guī)范的現(xiàn)象較為普遍，尤其是薪資水平這一重要指標，給數(shù)據(jù)處理與分析帶來了不小困擾。最后，一些字段取值過多，導(dǎo)致后續(xù)的對比及可視化分析變得困難，如工作地點。針對上述問題，本文將提出以下解決方案：（1）缺失值與重復(fù)項處理先導(dǎo)入pandas庫進行讀取前五行數(shù)據(jù)并存儲為“樣本數(shù)據(jù).xlsx”，同時查看數(shù)據(jù)的維度是5738個數(shù)據(jù)，9個特性。然后再用insull()函數(shù)統(tǒng)計缺失值個數(shù)，最后用“無”進行缺失值填充對數(shù)據(jù)進行補充。重復(fù)項采用duplicated()函數(shù)對"崗位名稱"、"公司名稱"、"城市"、"薪資"進行條件性查詢，排查到88項重復(fù)，再經(jīng)過重復(fù)項去除處理得到的最后結(jié)果為5650個樣本數(shù)據(jù)，結(jié)果如REF_Ref162888471\h表3崗位信息重復(fù)項數(shù)據(jù)統(tǒng)計。表SEQ表\*ARABIC3崗位信息重復(fù)項數(shù)據(jù)統(tǒng)計崗位名稱0公司名稱0薪水范圍0地址0工作經(jīng)歷0學(xué)歷要求0公司類型287公司規(guī)模41崗位標簽675（2）地址列處理本文爬取的數(shù)據(jù)里地址包含“城市-區(qū)/縣”，為加以區(qū)分將地址中的“城市”和“城區(qū)/縣”分開后進行小范圍探索。（3）薪資列處理鑒于薪資并非一項確定數(shù)值，而是涉及一個范圍與區(qū)間的概念，本文采用的方法是從中取得中間值。因此，可假定在該范圍內(nèi)呈現(xiàn)均勻分布，以最高值與最低值的平均數(shù)作為參考標準。首先將薪資范圍中的“千”，“萬”統(tǒng)一為數(shù)字的表達，具體方法用正則表達式進行一一查找、匹配、替換。然后將薪資列用split()函數(shù)拆分為最高薪資列和最低薪資列，并用計算出的平均值作為平均薪資列，最后刪除多余的薪資列，將最高薪資列、最低薪資列和平均薪資列轉(zhuǎn)換為字符串的形式。這樣保留下的數(shù)據(jù)才有利于分析和研究，最后得到REF_Ref162890672\h表4處理后的數(shù)據(jù)信息組成部分。表SEQ表\*ARABIC4處理后的數(shù)據(jù)信息組成部分崗位名稱公司名稱薪資工作經(jīng)歷學(xué)歷要求公司類型公司規(guī)模崗位標簽城市城區(qū)經(jīng)驗最低薪資最高薪資平均薪資第四章招聘數(shù)據(jù)分析與可視化本章將探討招聘數(shù)量、招聘薪資和經(jīng)驗學(xué)歷要求三個因素的招聘特征，從這三個維度進行描述性統(tǒng)計分析。4.1數(shù)據(jù)分析師崗位招聘數(shù)量分析與可視化本小節(jié)從招聘數(shù)量討論對崗位的影響，根據(jù)第一財經(jīng)2023年城市魅力排行榜上的劃分，本文將前20的城市劃分為一線城市、新一線城市、二線城市三種類別。各城市對應(yīng)的劃分見下REF_Ref162890811\h表5城市劃分。表SEQ表\*ARABIC5城市劃分類型城市1一線城市北京、上海、深圳、廣州2新一線城市成都、鄭州、杭州、武漢、南京、西安、長沙、青島、天津、重慶、蘇州3二線城市濟南、沈陽、福州、大連、無錫從REF_Ref162961932\h圖1城市分布熱力圖可知，招聘數(shù)量多的城市多數(shù)集中在沿海，尤其是華北地區(qū)，比如上海市，江蘇省，山東省。從東部向西部靠近，四川省招聘數(shù)量達到300人以上，是西部招聘數(shù)量最大的省。此外，招聘數(shù)量達到300人以上還有山東省、江蘇省、北京市、上海市、廣東省。招聘數(shù)量在200人-300人有遼寧省、浙江省、湖北省、河南省，招聘數(shù)量在80人-200人有福建省、湖南省、重慶市、陜西省。從上面的結(jié)論可以看出一個明顯的特征：對這類人才的需求集中分布在沿海城市或者長江流域附近，都是地理位置優(yōu)越的地方，且經(jīng)圖SEQ圖\*ARABIC1城市分布熱力圖濟實力發(fā)達的地區(qū)。圖SEQ圖\*ARABIC1城市分布熱力圖從REF_Ref162961874\h圖2招聘數(shù)量前二十的城市得出，對數(shù)據(jù)分析師這類人才的需求主要分布在四個一線城市：北京、上海、深圳、廣州，需求量遠遠大于新一線城市，占比約47.26%，這與發(fā)達城市的“城市人才黏性”相一致的。新一線城市招聘數(shù)量總占比約41.37%，可供選擇的城市更多，其中成都在新一線城市中招聘數(shù)量最大，與其他新一線城市差別較大，招聘數(shù)量為371人。除此之外，其他新一線城市招聘數(shù)量在250人到100人之間。二線城市對技術(shù)人才的需求較低，總占比約20.11%，招聘數(shù)量在159人-59人之間。圖SEQ圖\*ARABIC2圖SEQ圖\*ARABIC2招聘數(shù)量前二十的城市4.2數(shù)據(jù)分析師崗位招聘薪資分析與可視化圖SEQ圖\*ARABIC3平均薪資前10的城市本小節(jié)從薪資方面討論對崗位的影響，從REF_Ref162962472\h圖3平均薪資前10圖SEQ圖\*ARABIC3平均薪資前10的城市圖SEQ圖\*ARABIC4最高薪資前十的公司從REF_Ref162964156\h圖4最高薪資前十的公司可得，對于企業(yè)來說，賽紐仕醫(yī)藥資訊（上海）有限公司占據(jù)榜首，最高薪資高達102500元，說明醫(yī)學(xué)對數(shù)據(jù)分析師崗位的重視越來越多。上海中和應(yīng)泰財務(wù)顧問有限公司、深圳市市尚鼎資訊管理有限公司和道一（天津）企業(yè)管理資詢有限公司最高薪資均為75000元，海爾消費金融最高薪資為65000元等等。以上公司的最高薪資均高出平均薪資幾倍，一定程度說明這個行業(yè)的擴展性很大，上升空間很多。圖SEQ圖\*ARABIC4最高薪資前十的公司4.3數(shù)據(jù)分析師崗位招聘經(jīng)驗學(xué)歷要求分析與可視化圖SEQ圖\*ARABIC5經(jīng)驗學(xué)歷要求占比圖SEQ圖\*ARABIC5經(jīng)驗學(xué)歷要求占比第五章基于TF-IDF算法和聚類算法的招聘數(shù)據(jù)挖掘本章從兩個算法對招聘文本進行研究分析。根據(jù)詞語的關(guān)鍵性，按照職業(yè)要求去提高自己能力,在求職中準備針對性的技能培養(yǎng)，提高競爭力。利用K-Means聚類算法展示不同類型的崗位招聘特點，參考自身因素可以看企業(yè)崗位信息，有一個定位工作崗位的認識，縮小篩選范圍，一定程度提高求職的效率，不同崗位的企業(yè)畫像還能幫助應(yīng)聘者了解招聘市場的情況。5.1基于TF-IDF算法的崗位需求的挖掘本節(jié)采用的TF-IDF算法運用于評估一個詞在給定文件集或語料庫中的重要性。雖然這個算法不能檢測重要詞的位置關(guān)系，但本節(jié)采用的是詞語在一個文本的方法恰好規(guī)避了這個缺點，可以忽略不計。而且可以消除了詞袋不能實現(xiàn)技術(shù)，有利于文本分類或幫助機器讀取數(shù)字中的單詞。TF-IDF（TermFrequency-InverseDocumentFrequency）的基本原理在于對文本中的單詞進行權(quán)重賦值，以區(qū)分其在特定語境中的重要性。（1）TF表示詞頻（TermFrequency），即某一詞在文檔中出現(xiàn)的頻率。TF計算公式如下：tfTF其中是ni,j該詞在文件dj中出現(xiàn)的次數(shù)，分母則是文件（2）IDF表示逆文檔頻率（InverseDocumentFrequency），是用來衡量一個詞對于整個語料庫中的重要性程度。IDF計算公式如下：IDF其中D表示文件總數(shù)，Di則是關(guān)鍵詞i在文件D（3）TF-IDF（TermFrequency-InverseDocumentFrequency）實際上是：TF*IDF。圖SEQ圖\*ARABIC6詞語重要性排名統(tǒng)計好每個詞語的重要性，然后將表中數(shù)據(jù)繪成REF_Ref162968456\h圖6詞語重要性排名圖SEQ圖\*ARABIC6詞語重要性排名圖SEQ圖\*ARABIC7圖SEQ圖\*ARABIC7崗位標簽詞云圖從REF_Ref163659774\h圖7崗位標簽詞云圖來看，數(shù)據(jù)、數(shù)據(jù)挖掘、基金、基本面、治理等詞的詞頻占比較高，可知用人市場對這類人才的技術(shù)類、業(yè)務(wù)類和管理類職位的需求較多，技術(shù)類突出的的技能有數(shù)據(jù)挖掘、數(shù)據(jù)建模、數(shù)據(jù)倉庫、可視化。機器學(xué)習(xí)等等，業(yè)務(wù)類跟治理、基金、基本面有關(guān)，主要涉及的行業(yè)有醫(yī)學(xué)、金融、數(shù)學(xué)、經(jīng)濟學(xué)等等。5.2基于聚類算法的招聘企業(yè)畫像本節(jié)選取工作經(jīng)歷,公司類型,學(xué)歷要求,公司規(guī)模建立訓(xùn)練模型，利用one-hot編碼形式將每個特征存放在獨立的寄放器位，并且在任意時候，其中只有一位有效。one-hot編碼分為兩種，一種是特征編碼，一種是非類別特征歸一化。編碼的本質(zhì)是將分類變量轉(zhuǎn)換為二進制向量的形式。首先，需要將分類值映射到整數(shù)值上。隨后，每個整數(shù)值會被表示為一個二進制向量，在整數(shù)值以外的位上都是零，只有整數(shù)值對應(yīng)的位上標記為1。本文將工作經(jīng)歷、學(xué)歷要求、公司類型、公司規(guī)模進行one-hot編碼，對數(shù)據(jù)實行標記。為了尋找最優(yōu)模型閾值，本文利用簇內(nèi)誤方差（SSE）來劃分簇，計算不同情況下的K值的平均簇內(nèi)誤差平方和，繪制成，圖中曲線的拐點暗示“正確的”簇數(shù)，因此聚成了6類。圖SEQ圖\*ARABIC圖SEQ圖\*ARABIC8肘部法則結(jié)果圖S=其中a是每個樣本與同簇其他樣本的平均距離，b是每個樣本與最近簇內(nèi)樣本所在簇的平均距離。本實驗結(jié)果約為0,18，內(nèi)聚度和分離度相對較優(yōu)。通過上面模型，將原始數(shù)據(jù)與聚類標簽整合。利用K-Means文本聚類方法處理模型，將人才的需求崗位進行劃分,計算出每一類特征的樣本數(shù)除以總樣本數(shù)，劃分出的六種工作崗位在工作經(jīng)歷、公司類型、學(xué)歷要求、公司規(guī)模有不同的招聘信息，每一類特征的占比越大，劃分的特征越明顯，因此選取占比最大的作為每一類別的特征。如REF_Ref162967773\h表6工作經(jīng)歷聚類結(jié)果，REF_Ref162967863\h表7公司規(guī)模聚類結(jié)果，REF_Ref162968221\h表8學(xué)歷要求聚類結(jié)果，REF_Ref162968224\h表9公司類型聚類結(jié)果。表SEQ表\*ARABIC6工作經(jīng)歷聚類結(jié)果Index類別一類別二類別三類別四類別五類別六03-5年74.00%0.00%15.21%0.00%8.30%16.52%15-10年20.13%0.00%3.87%0.00%18.34%7.92%2無經(jīng)驗2.97%0.00%1.94%0.00%3.29%3.61%31年以下2.03%0.00%2.95%0.00%1.38%1.20%410年以上0.87%0.00%0.28%0.00%1.21%0.52%5不限0.00%100.00%37.33%0.00%0.00%33.22%61-3年0.00%0.00%38.43%100.00%67.47%37.01%其中類別一經(jīng)驗3-5年占比最大，類別二經(jīng)驗不限占比最大，類別三經(jīng)驗1-3年占比最大，類別四經(jīng)驗1-3年占比最大，類別五經(jīng)驗1-3年占比最大，類別六經(jīng)驗1-3年占比最大。表SEQ表\*ARABIC7公司規(guī)模聚類結(jié)果index類別一類別二類別三類別四類別五類別六01000-9999人27.59%22.04%14.19%22.11%51.90%26.51%1100-299人18.75%18.89%30.88%18.93%10.73%14.11%220-99人16.65%26.95%28.94%27.95%4.50%25.30%310000人以上16.08%10.96%9.59%7.75%22.84%5.51%4500-999人11.88%8.69%7.83%10.04%7.96%15.49%5300-499人5.72%5.29%4.24%7.12%2.08%9.64%620人以下3.11%6.05%3.23%4.70%0.00%3.44%其中類別一公司規(guī)模在1000-9999人占比最大，類別二公司規(guī)模在100-299人占比最大，類別三公司規(guī)模在100-299人占比最大，類別四公司規(guī)模在20-99人占比最大，類別五公司規(guī)模在1000-9999人占比最大，類別六公司規(guī)模在1000-9999人占比最大。表SEQ表\*ARABIC8學(xué)歷要求聚類結(jié)果index類別一類別二類別三類別四類別五類別六0本科99.20%85.89%0.00%93.90%95.16%0.00%1學(xué)歷不限0.58%10.20%0.46%3.30%0.35%0.00%2中專/中技0.14%1.01%0.09%1.52%0.17%0.00%3博士0.07%1.64%0.00%0.13%0.69%0.00%4高中0.00%1.26%0.28%1.14%0.35%0.00%5大專0.00%0.00%99.17%0.00%3.11%0.00%6EMBA0.00%0.00%0.00%0.00%0.17%0.00%7碩士0.00%0.00%0.00%0.00%0.00%100.00%其中類別一本科學(xué)歷占比最大，類別二本科學(xué)歷占比最大，類別三大專學(xué)歷占比最大，類別四本科學(xué)歷占比最大，類別五本科學(xué)歷占比最大，類別六碩士學(xué)歷占比最大。表SEQ表\*ARABIC9公司類型聚類結(jié)果index類別一類別二類別三類別四類別五類別六0民營77.48%74.06%83.78%100.00%0.00%60.41%1上市公司9.92%5.54%4.52%0.00%31.31%5.51%2股份制企業(yè)7.46%10.33%7.74%0.00%24.22%11.70%其中類別一公司類型為民營占比最大，類別二公司類型為民營占比最大，類別三公司類型為民營占比最大，類別四公司類型為民營占比最大，類別五公司類型為上市公司占比最大，類別六公司類型為民營占比最大。表SEQ表\*ARABIC10崗位類別圖工作經(jīng)歷學(xué)歷要求公司類型公司規(guī)模類別一3-5年本科民營1000-9999人類別二不限本科民營20-99人類別三1-3年大專民營20-99人類別四1-3年本科民營20-99人類別五1-3年本科國企1000-9999人類別六1-3年碩士民營1000-9999人最后匯總為REF_Ref162968745\h表10崗位類別圖，六個類別分別在工作經(jīng)歷、公司類型、學(xué)歷要求、公司規(guī)模有不同的招聘信息，不同類型的數(shù)據(jù)分析師崗位雖然有相同的招聘特點，但綜合考察崗位要求卻不是不一致，類別一推測是規(guī)模較大、需要經(jīng)驗較豐富普通本科生的民營企業(yè)，比如世紀佳緣交友網(wǎng)、敏捷艾科、今麥郎食品股份有限公司等等。類別二推測是規(guī)模較小、需要不限經(jīng)驗普通本科生的民營企業(yè)，比如青島非戈廣告有限公司、全國海關(guān)信息中心、廣東旭誠科技有限公司等等。類別三推測是規(guī)模較小、需要經(jīng)驗一般大專生的民營企業(yè)，比如赤峰市紅山區(qū)赤輪職業(yè)技能培訓(xùn)有限公司、北京益師義優(yōu)科技服務(wù)有限公司、北京金巴順漾科技有限公司等等。類別四推測是規(guī)模較小、經(jīng)驗一般普通本科生民營企業(yè)，比如北京天智恒業(yè)科技發(fā)展有限公司、北京天智恒業(yè)科技發(fā)展有限公司、深圳挑挑科技有限公司北京分公司等等。類別五推薦是規(guī)模較大、需要經(jīng)驗一般的普通本科生的國有企業(yè)，比如新東方教育科技集團有限公司、中航材利頓航空科技股份有限公司、首都信息發(fā)展股份有限公司等等。類別六推薦是規(guī)模較大、需要經(jīng)驗一般的碩士研究生的民營企業(yè)，比如中關(guān)村信息技術(shù)和實體經(jīng)濟融合發(fā)展聯(lián)盟、北京師范大學(xué)中國基礎(chǔ)教育質(zhì)量監(jiān)測協(xié)同創(chuàng)新中心、正大集團等等。求職者可以清楚看見崗位市場的基本情況。第六章總結(jié)與展望6.1分析與建議從第四章對數(shù)據(jù)分析師崗位描述性分析可知崗位的需求集中在北上廣深地區(qū)，行業(yè)的薪資普遍居高，均是一萬以上的薪資，且行業(yè)分布范圍很廣，多數(shù)居于沿海、沿江地區(qū)。這類崗位雖然對學(xué)歷要求不高，但是對工作經(jīng)驗比較看重，多數(shù)公司招聘看中本科生學(xué)歷，還有1-5年的工作經(jīng)驗。通過TF-IDF算法對崗位要求的對比，發(fā)現(xiàn)數(shù)據(jù)分析師在從業(yè)、產(chǎn)業(yè)、數(shù)據(jù)類、金融、語言、治理等方面都有涉及，求職者可以選擇喜歡的領(lǐng)域就業(yè)。從崗位類型的具體情況可知，企業(yè)招聘一般需要工作經(jīng)歷在1-3年的，這告訴畢業(yè)生應(yīng)該盡早經(jīng)過實習(xí)鍛煉自己的能力。企業(yè)招聘對學(xué)歷要求是松弛的，企業(yè)招聘主要是民營公司。企業(yè)招聘的人數(shù)規(guī)模要么是很大，達到1000-9999人，要么是20-99人的小公司。根據(jù)本文數(shù)據(jù)分析的結(jié)論，向想要從事數(shù)據(jù)分析師崗位的求職者給出幾點建議：（1）從可視化結(jié)果可以看出學(xué)歷不是硬性要求，對人才要求是追求實習(xí)經(jīng)歷，鼓勵求職者打好實踐基礎(chǔ)，多積累企業(yè)實踐經(jīng)驗。求職者選擇沿海、沿江的一線城市就業(yè)，這些城市機會更多，但是競爭更大，應(yīng)該努力提升自身水平。（2）掌握的崗位技術(shù)技能要求很多，多數(shù)集中于數(shù)據(jù)性人才，應(yīng)該在大學(xué)期間就做好充足的準備，增加專業(yè)知識并進行培訓(xùn)。求職者可以選擇技術(shù)性或者業(yè)務(wù)性崗位，因為行業(yè)范圍很廣，求職者根據(jù)自己的喜好確立行業(yè)類型。（3）本文對數(shù)據(jù)分析崗位的職位信息進行了文本聚類，共劃分為6類。每一個類別的崗位的信息有相似的地方，求職者可以清晰知道企業(yè)市場畫像，然后根據(jù)自身優(yōu)勢理性選擇合適的崗位，并為自己做好職業(yè)規(guī)劃。總之，高等院校應(yīng)根據(jù)專業(yè)人才需求情況，及時調(diào)整人才培養(yǎng)方案，完善相關(guān)課程的培訓(xùn)，與相關(guān)學(xué)科融合培養(yǎng)，以滿足各行業(yè)用人需求。同時，搭建實踐平臺、加強校企合作，致力提高學(xué)生就業(yè)競爭力。而大學(xué)生應(yīng)盡早確立職業(yè)目標，積極備戰(zhàn)就業(yè)，不斷提升自我實力。及時關(guān)注統(tǒng)計專業(yè)招聘信息，早日規(guī)劃未來職業(yè)生涯，為之努力拼搏、自我提升。應(yīng)有計劃地從事社會實踐，努力成長為杰出的青年才俊。6.2不足與展望本文收集的數(shù)據(jù)信息的平臺不夠全面,爬蟲的數(shù)據(jù)只針對于“智聯(lián)招聘”網(wǎng)站上，且本文收集的數(shù)據(jù)量可能較小，呈現(xiàn)的規(guī)律比較單薄，應(yīng)該加大數(shù)據(jù)信息的收集，增加數(shù)據(jù)的可靠性和信服力。本文爬蟲的數(shù)據(jù)是2023年末的數(shù)據(jù)，這個時間段并不是招聘旺季，無法針對于應(yīng)屆畢業(yè)生，對求職者來說具有普遍性而缺少面向應(yīng)屆生的針對性。而且網(wǎng)上數(shù)據(jù)信息更新過快，且部分企業(yè)找到員工后就會撤銷職位招聘。數(shù)據(jù)分析的方法單調(diào)，分析的角度單一。本文只選取了三個角度對數(shù)據(jù)特征進行描述，可以增加數(shù)據(jù)特征的相關(guān)性描述，，比如福利待遇、專業(yè)背景等等。此外，還可以探討影響薪資的因素或者職位信息關(guān)聯(lián)性挖掘。今后尋找新的算法和技術(shù)對崗位信息進行文本挖掘，獲得更全面的數(shù)據(jù)信息和更多的結(jié)論。參考文獻佚名.第52次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》發(fā)布及專家解讀[J].互聯(lián)網(wǎng)天地,2023(9):11-15.張懷水.2024屆高校畢業(yè)生規(guī)模預(yù)計1179萬人[N].每日經(jīng)濟新聞,2023-12-07(002).DOI:10.28571/ki.nmrjj.2023.004329.ZbigniewH.PrzasnyskiKalaChandSealLindaA.LeonIanWiedenman.SkillsandCompetenciesRequiredforJobsinBusinessAnalytics:AContentAnalysisofJobAdvertisementsUsingTextMining[J].InternationalJournalofBusinessIntelligenceResearch,2017,8(1).TurrellA,SpeignerBJ,DjumalievaJ,etal.TransformingNaturallyOccurringTextDataIntoEconomicStatistics:TheCaseofOnlineJobVacancyPostings[J].NberChapters,2019.DOI:10.3386/W25837.鄭思雨.網(wǎng)絡(luò)招聘信息的數(shù)據(jù)挖掘研究[D].杭州電子科技大學(xué),2020.DOI:10.27075/ki.ghzdc.2020.000039.何毅平,黃媛,湛茂溪等.基于網(wǎng)絡(luò)爬蟲的招聘信息可視化系統(tǒng)設(shè)計與實現(xiàn)[J].長江工