揭開網際網路公司的神秘面紗，資料解讀那些slay整個行業的網際網路公司
作者介紹：徐麟，目前就職於上海唯品會產品技術中心，哥大統計資料狗，從事資料探勘&分析工作，喜歡用R&Python玩一些不一樣的資料
個人公眾號：資料森麟（ID:shujusenlin）,知乎同名專欄作者。
前言：
隨著網際網路行業的日益興盛，吸引力越來越多的牛人加入其中，也有許多小夥伴躍躍欲試，想要在網際網路的浪潮中大展身手。今天我們透過看準網的資料，幫助大家對各大網際網路公司有一個比較概括的瞭解。
資料來源
看準網提供了許多員工對於公司的評價，我們從中提取需要的資料，包括整體評分、面試難度、推薦率、前景看好情況、CEO支援率，程式碼如下：
## 獲得資訊
def get_company_info(num,headers):
## 獲得評價資料
url =
'
+str(num)+
'.html?ka=com-blocker1-review'
js=
'window.open("'
+url+
'")'
driver.execute_script(js)
time.
sleep
(
5
)
driver.
close
()
driver.switch_to_window(driver.window_handles[
])
bsObj=BeautifulSoup(driver.page_source,
"html.parser"
)
tag
=bsObj.
find
(
'div'
,attrs={
'class'
:
'all_item'
}).text.replace(
'\t'
,
''
).replace(
'\n'
,
''
).replace(
'('
,
' '
).replace(
')'
,
' '
).
split
(
' '
)
tag
=
tag
[
:
len
(
tag
)-
1
]
this_tag = {
tag
[i*
2
]:
tag
[i*
2
+
1
]
for
i in np.arange(
int
(
len
(
tag
)/
2
-
1
))}
this_name = bsObj.
find
(
'div'
,attrs={
'class'
:
'co_name t_center'
}).text
this_overal = float(bsObj.
find
(
'div'
,attrs={
'class'
:
'res_box_star f_right'
}).
find
(
'em'
).text)
points = bsObj.
find
(
'ul'
,attrs={
'class'
:
'score_rate clearfix'
}).text.replace(
'\n'
,
' '
).
split
()
this_recommend = float(points[
][
:
2
])/
100
*
5
this_future = float(points[
2
][
:
2
])/
100
*
5
this_ceo = float(points[
4
][
:
2
])/
100
*
5
## 獲得CEO頭像和公司logo
ceo_pic = bsObj.
find
(
'div'
,attrs={
'class'
:
'ceo_info'
}).
find
(
'div'
).
find
(
'img'
).attrs[
'src'
]
ceo_name = bsObj.
find
(
'div'
,attrs={
'class'
:
'ceo_info'
}).
find
(
'p'
).text
head_logo = bsObj.
find
(
'div'
,attrs={
'class'
:
'com_logo f_left'
}).
find
(
'img'
).attrs[
'src'
]
head_loc =
'D:/爬蟲/看準/公司logo/'
+this_name+
'.jpg'
ceo_loc =
'D:/爬蟲/看準/CEOlogo/'
+this_name+
'.jpg'
request.urlretrieve(head_logo,head_loc)
request.urlretrieve(ceo_pic,ceo_loc)
## 獲得面試難度
url =
'
+str(num)+
'.html?ka=com-floater-interview'
js=
'window.open("'
+url+
'")'
driver.execute_script(js)
time.
sleep
(
5
)
driver.
close
()
driver.switch_to_window(driver.window_handles[
])
bsObj=BeautifulSoup(driver.page_source,
"html.parser"
)
req=request.Request(url,headers=headers)
html=urlopen(req)
bsObj=BeautifulSoup(html.
read
(),
"html.parser"
)
this_difficulty = float(bsObj.
find
(
'section'
,attrs={
'class'
:
'interview_feel'
}).
find
(
'em'
).text)
this_feeling = bsObj.
find
(
'ul'
,attrs={
'class'
:
'score_list'
}).find_all(
'span'
,attrs={
'class'
:
'percent'
})
this_feeling = [float(
k
.text.replace(
'%'
,
''
))
for
k
in this_feeling]
this_feeling = (this_feeling[
]*
5
+this_feeling[
1
]*
3
+this_feeling[
2
]*
1
)/
100
## 整合資料成為字典
this_company ={
'name'
:this_name,
'overal'
:this_overal,
'comments'
:
tag
[
1
],
'recommend'
:this_recommend,
'future'
:this_future,
'ceo'
:this_ceo,
'difficulty'
:this_difficulty,
'feeling'
:this_feeling}
return
this_company,this_tag,this_name
整體對比
我們最終選取了50家網際網路公司作為樣本進行對比，選取來源主要是結合2018年網際網路公司百強榜單和看準網上的實際評價數量，選取的公司logo拼圖如下，我們會在第4部分講解如何將圖片進行拼接：
首先對比各項評價指標的TOP15：
可以看到，榜單中BAT在各項排名中都處於十分靠前的位置，網易也佔據了多個榜單的靠前位置，騰訊霸佔了所有排名的TOP1。下面我們再來看一下面試難度，我們選取了面試難度評分的TOP15和BOTTOM15，該資料僅供參考，根據小編的經驗，同一個公司的不同部門不同崗位之間的難度差異也非常大。
在面試難度偏低的一些公司中，有許多非常不錯的公司，該資料僅僅是一個參考，真正的面試還是要取決於求職者的實際能力，所謂會者不難，難者不會。真正的大牛無論是面對多麼困難的面試，依然可以slay全場。
## 整體評分top15柱形圖
company=pd.read_excel(
'company_info.xlsx'
)
company_overal = company.sort_values(
'overal'
,ascending=
False
)[
:
15
]
attr = company_overal[
'name'
]
v1=round(company_overal[
'overal'
],
2
)
bar = Bar(
"整體評分TOP15"
,title_pos=
'center'
)
bar.use_theme(
'essos'
)
bar.add(
""
, attr, v1, is_stack=
False
,xaxis_rotate=
30
,yaxis_min=
3.7
,is_label_show=
True
,
xaxis_interval =
,is_splitline_show=
False
)
bar.render(
'整體評分TOP15.html'
)
雷達圖
前面我們看的都是各個公司之間的對比，下面我們看一下同一個公司不同維度的情況，我們選取了BAT和TMD作為資料，其他的公司也可以按照同樣的方式進行對比，首先看一下BAT：
BAT真的是名副其實的業界標杆，各項指標都slay整個行業，下面我們看一下此前發展勢頭迅猛的TMD三家公司：
TMD三家公司和行業整體水平相比，也是出於領先地位，可見其還不錯的發展勢頭，最後放上和小編息息相關的三家公司，具體是哪三家，相信瞭解小編的朋友一定是可以猜出來的：
value_avg = [
list
(company.iloc[:,[
1
,
3
,
4
,
5
,
6
]].mean())]
value_company0 = [
list
(company.iloc[
,[
1
,
3
,
4
,
5
,
6
]])]
value_company1 = [
list
(company.iloc[
1
,[
1
,
3
,
4
,
5
,
6
]])]
value_company2 = [
list
(company.iloc[
2
,[
1
,
3
,
4
,
5
,
6
]])]
c_schema= [{
"name"
:
"總體評價"
,
"max"
:
4.4
,
"min"
:
3.2
},
{
"name"
:
"推薦度"
,
"max"
:
4.75
,
"min"
:
2.4
},
{
"name"
:
"前景看好"
,
"max"
:
4.25
,
"min"
:
1
},
{
"name"
:
"CEO/董事長認可度"
,
"max"
:
4.8
,
"min"
:
3
},
{
"name"
:
"面試難度"
,
"max"
:
3.4
,
"min"
:
2.3
}]
radar = Radar()
radar.use_theme(
'essos'
)
radar.config(c_schema=c_schema, shape=
'circle'
)
radar.
add
(company[
'name'
][
], value_company0, item_color=
"blue"
, symbol=None,linewidht=
5
)
radar.
add
(company[
'name'
][
1
], value_company1, item_color=
"orange"
, symbol=None,linewidht=
5
)
radar.
add
(company[
'name'
][
2
], value_company2, item_color=
"red"
, symbol=None,linewidht=
5
)
radar.
add
(
"整體水平"
, value_avg, item_color=
"purple"
, symbol=None,linewidth=
5
,
legend_selectedmode=
'multiple'
)
radar.render(
'bat.html'
)
圖片拼接
看準網提供了各個公司的logo和各位公司大佬的頭像，我們冒昧地利用這些資料進行簡單的圖片拼接，製作成一副大的合成圖。主要原理是利用numpy中的多維陣列進行拼接，由於影像本身就可以看做是一個三維陣列（彩色）或者一位陣列（黑白），所以我們只需利用陣列的拼接方法，就可以達到我們的目的。
程式碼如下：
## 拼接公司logo成為5*10的拼圖
i = 0
for
filename
in
os.listdir(
"./公司logo"
):
file_loc =
"D:/爬蟲/看準/公司logo/"
+filename
img = mpimg.imread(file_loc)[:,:,0:3]
img = cv2.resize(img, (180,180),interpolation=cv2.INTER_AREA)
if
i % 10 == 0:
row_img=img
elif
i == 9:
row_img=np.hstack((row_img,img))
all_img = row_img
elif
i % 10 == 9:
row_img=np.hstack((row_img,img))
all_img = np.vstack((all_img,row_img))
else
:
row_img=np.hstack((row_img,img))
i = i+1
plt.imshow(all_img)
plt.axis(
'off'
)
## 拼接大佬頭像成為7*7的拼圖
i = 0
for
filename
in
os.listdir(
"./CEOlogo"
):
file_loc =
"D:/爬蟲/看準/CEOlogo/"
+filename
img = mpimg.imread(file_loc)[:,:,0:3]
img = cv2.resize(img, (500,500),interpolation=cv2.INTER_CUBIC)
if
i % 7 == 0:
row_img=img
elif
i == 6:
row_img=np.hstack((row_img,img))
all_img = row_img
elif
i % 7 == 6:
row_img=np.hstack((row_img,img))
all_img = np.vstack((all_img,row_img))
else
:
row_img=np.hstack((row_img,img))
i = i+1
plt.imshow(all_img)
plt.axis(
'off'
)
下面就是我們的效果圖，不知道大家是否能一眼就把所有的logo都認全
最後是各位大佬的拼圖，不知道大家第一眼看到的是哪位大佬，第一眼看到的大佬，或許就是你未來的老闆
歡迎各位讀者在留言區與我們互動，聊聊你所瞭解的網際網路公司，或者是你最想去的公司。如果不方便透露姓名，可以在後臺單獨留言，我們會以匿名的方式發出來，歡迎大家一起來分享。
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31556503/viewspace-2217402/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- [網際網路]網際網路公司的種類
- 淺談網際網路公司業務安全
- 網際網路公司軟體Bug的管理
- 網際網路公司面試必問的Redis題目面試Redis
- 分享：一線網際網路公司的面試經驗面試
- 網際網路公司資料安全保護新探索
- 網傳網際網路公司大裁員
- 網際網路企業如何選擇網路安全防護公司？
- 網際網路公司面試必問的mysql題目(下）面試MySql
- 網際網路公司面試必問的mysql題目(上)面試MySql
- 網際網路公司忽悠員工的黑話
- 談談國外網際網路公司的骨幹網
- 揭祕網際網路是如何的推廣 網際網路如何推廣
- 網際網路創業公司的技術團隊構建創業
- 網際網路公司無線覆蓋解決方案
- 如何才能透過一線網際網路公司面試？面試
- 資料探勘與分析（網際網路行業）行業
- 網際網路如何推廣 揭祕網際網路推廣方法
- 武漢有哪些優秀的網際網路公司？
- 網際網路公司專案的上線過程
- 模仿各大網際網路公司官方網站原始碼網站原始碼
- 各大網際網路公司面試流程及面試題彙總面試題
- 大型網際網路公司必考java面試題與面試技巧Java面試題
- 7000 字讀懂網際網路公司的架構演變歷程架構
- 網際網路公司最常見的面試演算法題有哪些？面試演算法
- 跳槽可閱！網際網路公司DBA面試指南集錦！面試
- 網際網路大潮已去，疫情後資料分析公司怎麼走?
- 網際網路公司=21世紀的國營大廠
- 2021年網際網路公司的獲客成本概覽
- 網際網路公司裡技術團隊的部落格
- 網際網路的寒冬下各大一線網際網路公司還在用SpringBoot這是為什麼？Spring Boot
- 網際網路公司如何防禦DDoS攻擊？
- 北京知名網際網路公司招聘golang工程師Golang工程師
- 漫畫 | 網際網路公司面試黑話圖鑑：個個奧斯卡！面試
- 【工業網際網路】工業網際網路平臺建設的四個基本問題
- 與頂級網際網路公司技術大佬面對面聊聊RocketMQMQ
- 大資料類工程師面試題集錦附指南：網際網路公司篇！大資料工程師面試題
- 網際網路+地鐵行業的新模式開發行業模式