time.sleep(5) time.sleep(5)
driver.close()
driver.switch_to_window(driver.window_handles[0])
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[0]*5+this_feeling[1]*3+this_feeling[2]*1)/100
## 整合數據成為字典
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
02
整體對比
我們最終選取了50家互聯網公司作為樣本進行對比，選取來源主要是結合2018年互聯網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，該數據僅供參考，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，該數據僅僅是一個參考，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)[0:15]
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 =0,is_splitline_show=False)
bar.render('整體評分TOP15.html')
03
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作為數據，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[0,[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'][0], 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')
04
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數據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中的多維數組進行拼接，由於圖像本身就可以看做是一個三維數組（彩色）或者一位數組（黑白），所以我們只需利用數組的拼接方法，就可以達到我們的目的。
代碼如下：
## 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，聊聊你所瞭解的互聯網公司，或者是你最想去的公司。
揭開互聯網公司的神秘面紗，數據解讀那些slay整個行業的互聯網公司
閱讀更多 成都朗沃教育 的文章
