简介：这是一套基于Python实现的招聘网站数据分析与可视化项目源码，面向计算机相关专业的毕业设计、期末大作业与课程设计场景，也适合想通过完整案例入门数据分析的初学者。项目已通过老师指导并取得高分，代码为纯手写实现，实战门槛较低。压缩包共54个文件，约6.68MB，包含4个py脚本与4个ipynb笔记本用于数据获取、清洗与分析，8个csv存放前程无忧等招聘原始数据，另有html、js、css等前端文件支撑Echarts大屏展示，以及png、jpg图表与词云素材、xml配置和字体文件。目录按数据获取、数据清洗、数据分析、数据可视化、Echarts大屏展示等模块划分，结构清晰。目前已有573人学习下载。读者可据此掌握招聘信息的采集、清洗、统计与可视化全流程，直接复用词云图、工作经验与学历分布饼图等成果，并参考大屏展示方案快速完成自己的项目。
1. 从一份招聘 CSV 到能跑的大屏：这套 Python 数据分析源码到底能干什么
如果你手头正压着一个「招聘网站数据分析及数据可视化」的课设或毕设，大概率卡在同一个地方：爬虫能跑，但数据脏得没法看；图表能画，但拼不成一张能交差的大屏。这套基于 Python 的招聘网站数据分析及数据可视化源码，解决的正是从原始 CSV 到可视化大屏的完整链路问题。它把数据获取、数据清洗、数据分析、可视化展示拆成了四个独立目录，每个环节都有对应的 ipynb 和 py 文件，不是那种只丢一个 notebook 的半成品。适合两类人：一是需要快速交付课程设计的学生，二是想拿真实招聘数据练手 pandas 和 Echarts 的入门开发者。下面我按实际拆包顺序，把每个模块的用法和坑讲清楚。
2. 数据获取与清洗：前程无忧 CSV 怎么从脏数据变成可用表
2.1 数据获取目录里的三个脚本各管什么
打开数据获取文件夹，能看到前程无忧.py、中国大学.py、测试.py三个文件，外加两份 CSV。这里的分工很明确：前程无忧.py负责抓取招聘岗位信息，中国大学.py大概率是抓取院校维度数据用于交叉分析，测试.py是调试用的临时脚本。我一般会先看测试.py，因为它通常保留了最原始的请求逻辑，能快速判断目标站点当前的结构有没有变。
# 前程无忧.py 典型结构（根据目录推断的常见写法） import requests from bs4 import BeautifulSoup import pandas as pd def get_page(url): headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" } resp = requests.get(url, headers=headers, timeout=10) resp.encoding = "gbk" # 前程无忧老页面常用 gbk，不设会乱码 return resp.text def parse_jobs(html): soup = BeautifulSoup(html, "html.parser") items = soup.select(".j_joblist .e") # 岗位卡片选择器，站点改版会失效 rows = [] for item in items: rows.append({ "岗位": item.select_one(".jname").get_text(strip=True), "公司": item.select_one(".cname").get_text(strip=True), "薪资": item.select_one(".sal").get_text(strip=True), "地点": item.select_one(".d.at").get_text(strip=True), }) return rows if __name__ == "__main__": all_data = [] for page in range(1, 11): # 翻 10 页，别贪多，容易被限 html = get_page(f"https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,{page}.html") all_data.extend(parse_jobs(html)) pd.DataFrame(all_data).to_csv("前程无忧.csv", index=False, encoding="utf-8-sig")这段代码的关键参数有三个：encoding="gbk"不设会得到一堆问号；timeout=10防止单页卡死拖垮整个循环；encoding="utf-8-sig"写 CSV 时用，保证 Excel 打开不乱码。翻页范围我建议控制在 10 页以内，超过之后返回空列表的概率明显上升，这是血泪经验。
2.2 数据清洗.ipynb 里的四步标准流程
数据清洗目录下的数据清洗.ipynb是整个项目最值得细看的部分。它处理的输入是前程无忧.csv，输出是干净的招聘信息.csv。我拆开看，核心就四步：去重、去空、薪资字段结构化、地点字段归一化。
import pandas as pd import re df = pd.read_csv("前程无忧.csv") # 第一步：按岗位+公司去重，招聘网站重复投放很常见 df = df.drop_duplicates(subset=["岗位", "公司"]) # 第二步：丢掉关键字段为空的行 df = df.dropna(subset=["岗位", "薪资", "地点"]) # 第三步：薪资区间拆成最低和最高两列，单位统一为千/月 def parse_salary(s): s = str(s).replace("万/月", "0000").replace("千/月", "000") nums = re.findall(r"\d+", s) if len(nums) >= 2: return int(nums[0]), int(nums[1]) return None, None df[["薪资下限", "薪资上限"]] = df["薪资"].apply( lambda x: pd.Series(parse_salary(x)) ) # 第四步：地点只保留城市名，去掉区级后缀 df["城市"] = df["地点"].str.split("-").str[0] df.to_csv("招聘信息.csv", index=False, encoding="utf-8-sig")parse_salary这个函数是清洗环节最容易翻车的地方。前程无忧的薪资写法至少有五种：1.5-2万/月、8-10千/月、15-20万/年、200元/天、面议。上面这段只覆盖了前两种，遇到年薪和日薪会返回 None。常见做法是再加一层判断，把「万/年」除以 12 换算成月薪，把「元/天」乘以 21.75 换算成月薪。面议直接丢弃，不要试图填充，填充出来的数字会污染后续的薪资分布分析。
提示：清洗后的
招聘信息.csv才是后续所有分析和可视化的输入，不要跳过这一步直接拿原始 CSV 画图，否则学历饼图里会出现「学历不限」「不限」两个几乎一样的扇区。
3. 数据分析与词云：从招聘信息里挖出学历、经验和福利关键词
3.1 数据分析.ipynb 的三个分析维度
数据分析.ipynb承接清洗后的招聘信息.csv，主要做三件事：学历分布统计、工作经验分布统计、福利关键词提取。这三个维度对应后面三张核心图表，是整个项目的分析骨架。
import pandas as pd from collections import Counter import jieba df = pd.read_csv("招聘信息.csv") # 学历分布：value_counts 直接出频次 edu_dist = df["学历"].value_counts() print(edu_dist) # 工作经验分布：注意字段里可能有「经验不限」「1年以下」等混合值 exp_dist = df["工作经验"].value_counts() # 福利词云：把福利字段拼接后分词统计 all_welfare = " ".join(df["福利"].dropna().astype(str)) words = jieba.lcut(all_welfare) # 过滤掉单字和常见停用词 stopwords = {"的", "和", "等", "有", "无", "不限"} word_freq = Counter([w for w in words if len(w) > 1 and w not in stopwords]) with open("福利词云图.txt", "w", encoding="utf-8") as f: for word, freq in word_freq.most_common(100): f.write(f"{word} {freq}\n")value_counts()默认按频次降序，直接喂给饼图就行。词云这部分的关键在停用词表，的、和、等这类词不滤掉，词云图会被它们占满，真正的「五险一金」「带薪年假」「年终奖」反而被挤小。word_freq.most_common(100)取前 100 个词写入 txt，这个 txt 就是后面词云图的输入。
3.2 词云图.ipynb 的字体与蒙版参数
数据可视化目录下的词云图.ipynb读取福利词云图.txt和招聘信息词云图.txt，生成带形状的词云。目录里那几张蜡笔小新.jpg、哆啦A梦.jpg就是蒙版图，用来控制词云的轮廓。
from wordcloud import WordCloud import numpy as np from PIL import Image # 读取蒙版图，非白区域才会填词 mask = np.array(Image.open("蜡笔小新.jpg")) # 读取词频文件 freq = {} with open("福利词云图.txt", encoding="utf-8") as f: for line in f: word, count = line.strip().split() freq[word] = int(count) wc = WordCloud( font_path="C:/Windows/Fonts/simhei.ttf", # 不指定中文字体全是方块 background_color="white", mask=mask, max_words=150, max_font_size=120, colormap="viridis" ) wc.generate_from_frequencies(freq) wc.to_file("福利词云图.png")font_path是词云图最大的坑，不指定中文字体，生成出来全是豆腐块。Windows 用simhei.ttf，Mac 换成/System/Library/Fonts/PingFang.ttc。mask参数要求蒙版图的背景是纯白，如果蒙版图背景带一点灰，词会填到轮廓外面去。max_words=150控制词的数量，太多会糊成一团，太少又看不出分布。
3.3 饼图.py 与 HTML 输出的分工
饼图.py是独立脚本，生成工作经验饼图.html和学历.html。这里用的是 pyecharts，不是 matplotlib。选 pyecharts 的理由很实际：输出的 HTML 可以直接嵌进大屏，交互式悬停显示数值，比静态 PNG 好看得多。
from pyecharts import options as opts from pyecharts.charts import Pie import pandas as pd df = pd.read_csv("招聘信息.csv") edu = df["学历"].value_counts() pie = ( Pie() .add("", [list(z) for z in zip(edu.index.tolist(), edu.values.tolist())]) .set_global_opts(title_opts=opts.TitleOpts(title="学历分布")) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)")) ) pie.render("学历.html")formatter="{b}: {c} ({d}%)"里的{b}是类别名，{c}是数值，{d}是百分比，这三个占位符是 pyecharts 的固定写法，改顺序可以，改字母会报错。render输出的 HTML 自带 echarts.min.js 的 CDN 引用，离线打开会白屏，这是后面大屏部署时要注意的点。
4. Echarts 大屏展示：把散落的 HTML 拼成一张能交差的页面
4.1 myEcharts 目录的结构与入口文件
Echarts大屏展示下的myEcharts是整个项目的门面。它不是一个单独的 HTML，而是一组文件配合：入口 HTML、样式 CSS、数据 JS，可能还有几张背景图。我一般先找index.html，打开看它引了哪些 JS 和 CSS，就能反推出数据从哪来。
<!-- index.html 典型结构 --> <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <link rel="stylesheet" href="css/style.css"> <script src="js/echarts.min.js"></script> <!-- 本地引入，不依赖 CDN --> </head> <body> <div id="eduChart" style="width:600px;height:400px;"></div> <div id="expChart" style="width:600px;height:400px;"></div> <script src="js/data.js"></script> <script src="js/chart.js"></script> </body> </html>关键点是echarts.min.js用本地引入而不是 CDN。很多同学直接把 pyecharts 生成的 HTML 往大屏里嵌，结果一断网就白屏，答辩现场翻车。正确做法是把 echarts.min.js 下载到js目录，所有图表共用一份。
4.2 数据对接：从 CSV 到 JS 数组的转换
大屏里的图表数据不是实时读 CSV 的，而是提前转成 JS 数组写进data.js。转换方式有两种：手动复制，或者写个 Python 脚本自动生成。
import pandas as pd import json df = pd.read_csv("招聘信息.csv") edu = df["学历"].value_counts() # 转成 echarts 需要的 [{name: "本科", value: 120}, ...] 格式 data = [{"name": k, "value": int(v)} for k, v in edu.items()] with open("data.js", "w", encoding="utf-8") as f: f.write("var eduData = " + json.dumps(data, ensure_ascii=False) + ";")ensure_ascii=False必须加，否则中文会变成\u672c\u79d1这种转义序列，虽然浏览器能解析，但调试时看着头疼。生成的data.js里就是一个全局变量eduData，chart.js里直接引用即可。
4.3 大屏自适应与分辨率适配
大屏最常见的翻车是换台电脑就错位。原因是图表容器用了固定像素宽高，而不同屏幕的缩放比例不一样。常见做法是用 rem 或者 vw/vh 做相对单位，配合window.onresize重绘。
// chart.js 里的自适应逻辑 var eduChart = echarts.init(document.getElementById('eduChart')); eduChart.setOption({ series: [{ type: 'pie', data: eduData }] }); window.onresize = function() { eduChart.resize(); // 窗口变化时重绘，不加重绘会拉伸变形 };resize()这个方法不调用，图表在窗口缩放后不会跟着变，而是保持初始尺寸被拉伸，饼图会变成椭圆。如果大屏里有多个图表，每个实例都要单独调resize()，或者用echarts.connect统一管理。
注意：答辩用的投影仪分辨率通常是 1024x768 或 1280x720，开发时按 1920x1080 做的大屏投上去会溢出。我一般把设计稿按 1280 宽做，再用 CSS 的
transform: scale()适配大屏，这样两边都不吃亏。
5. 避坑与排查：这套源码跑不起来时先查这五处
5.1 现象：前程无忧.py返回空列表，CSV 只有表头
原因：目标站点改版，.j_joblist .e这个选择器失效，或者请求头被识别。解决：先用测试.py单独请求一页，把resp.text打印出来看结构，用浏览器的开发者工具重新定位岗位卡片的选择器。如果返回的是验证页，说明请求频率过高，把翻页间隔加到 3 秒以上。
5.2 现象：词云图全是方块，一个中文都看不到
原因：WordCloud的font_path没设，或者设了一个不存在的路径。解决：Windows 确认C:/Windows/Fonts/simhei.ttf存在，Mac 用/System/Library/Fonts/PingFang.ttc。路径里的斜杠用正斜杠，反斜杠在 Python 字符串里是转义符，会报错。
5.3 现象：pyecharts 生成的 HTML 打开是空白页
原因：pyecharts 默认引用在线 CDN 的 echarts.min.js，断网或 CDN 被墙时加载失败。解决：在render之前调pie.render("学历.html")后手动把 HTML 里的 CDN 地址换成本地路径，或者用CurrentConfig.ONLINE_HOST指定本地资源目录。
5.4 现象：薪资分析结果明显偏低，大量岗位薪资为 0
原因：parse_salary没覆盖「万/年」和「元/天」两种格式，返回 None 后被填充成 0。解决：在函数里加分支判断，遇到「万/年」先乘 10000 再除以 12，遇到「元/天」乘 21.75。填充 0 是最坏的选择，会让薪资分布图整体左移。
5.5 现象：大屏在别人电脑上打开，图表全部叠在一起
原因：CSS 用了绝对定位但没设z-index，或者容器宽高用了百分比但父元素没有明确高度。解决：给每个图表容器设position: relative和明确的height，父容器用 flex 布局而不是绝对定位。如果必须绝对定位，给每个图表加不同的z-index。
6. 进阶技巧：用 pyecharts 的 Timeline 做动态学历变化图
基础饼图只能展示某一时刻的学历分布，但招聘数据里往往带时间维度。如果 CSV 里有「发布日期」字段，可以用 pyecharts 的Timeline做按季度播放的动态图，答辩时比静态图多一个记忆点。
from pyecharts.charts import Pie, Timeline import pandas as pd df = pd.read_csv("招聘信息.csv") df["季度"] = pd.to_datetime(df["发布日期"]).dt.to_period("Q") timeline = Timeline() for quarter in df["季度"].unique(): sub = df[df["季度"] == quarter]["学历"].value_counts() pie = ( Pie() .add("", [list(z) for z in zip(sub.index.tolist(), sub.values.tolist())]) .set_global_opts(title_opts=opts.TitleOpts(title=f"{quarter} 学历分布")) ) timeline.add(pie, str(quarter)) timeline.render("学历变化时间轴.html")to_period("Q")把日期转成季度，Timeline.add的第二个参数是时间轴上的标签。播放速度用timeline.add_schema(play_interval=1000)控制，1000 毫秒一帧，太快看不清，太慢答辩时间不够。这个技巧的边界是：数据量少于 4 个季度时，时间轴只有三四帧，动画效果不明显，不如直接画分组柱状图。
还有一个验证技巧：跑完所有 notebook 后，用招聘信息.csv的行数反推清洗保留率。如果原始 CSV 有 5000 行，清洗后只剩 800 行，说明去重和去空太激进，可能把有效数据也丢了。我一般把保留率控制在 60% 以上，低于这个数就回头检查dropna的 subset 是不是设多了。
从那以后我每次拿到这类项目，都强制先跑一遍数据清洗.ipynb看保留率，再动可视化。希望帮到你。
本文还有配套的精品资源，点击获取
