案例 20｜招聘岗位信息采集

一、案例背景与采集目标

招聘信息是就业市场最直接的体温计。一个专业值不值钱、哪个城市机会多、同一岗位在不同城市的薪资差多少，都能从公开的招聘信息里看出眉目。对经济统计、大数据方向的同学来说，这是一份和自己前途直接相关的数据。

这一篇的示范站点是 国家大学生就业服务平台 · 职位信息，入口网址 https://job.ncss.cn/student/jobs/index.html。它是教育部学生服务与素质发展中心运营的毕业生就业平台，面向高校毕业生免费开放，职位列表公开、无需登录、无验证码：岗位名称、单位名称、单位性质、单位规模、工作城市、学历要求、专业要求、招聘人数、薪资与发布时间，在列表页上一眼可见。

1.1 为什么挑这个站点

• 官方平台、公开可访问：由教育部学生服务与素质发展中心运营，职位面向毕业生公开发布，打开列表就能看全，采集它维护成本低、伦理争议小，适合作为生活服务模块的开篇；
• 字段规整、格式统一：每条职位固定给出岗位名称、单位名称、单位性质、单位规模、工作城市、学历要求、专业要求、招聘人数、薪资、发布时间与福利标签，比多数商业招聘站的页面干净得多；
• 它代表了一大类站点——国家级就业平台、各高校就业网、各地人才市场的岗位栏结构高度相似，学一套能迁移到一大片；
• 规模适中、可以翻页：职位列表按发布时间倒序持续更新，能按行业、地区、学历、薪资筛选，正好够练「批量翻页 + 文本清洗」，又不会一上手就撞登录墙；
• 与本校渠道互补：本校的「校园就业信息网」以本地企业为主、可直接进校宣讲，两者一个看全国、一个看本地。

1.2 这个案例要拿到什么

• 职位列表里的岗位清单，一条岗位一行；
• 每条记录的岗位名称、单位名称、单位性质、单位规模、工作城市；
• 把学历要求、专业要求整理成便于筛选的标签；
• 把薪资文案「5-20K/月」「6-8K/月」「面议」清洗成月薪下限与月薪上限；
• 记下发布时间与招聘人数，按时间倒序看最新的岗位；
• 对重复出现的岗位去重，再按城市、学历与薪资做分组统计。

1.3 站点结构速查（动手前先认识它）

1.4 这个案例的难点在哪

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

目标站点：国家大学生就业服务平台 · 职位信息，网址 https://job.ncss.cn/student/jobs/index.html。

2.1 先定字段，再动手

很多人一上来就说「帮我把这个招聘网站的岗位爬下来」，结果拿回一张字段乱七八糟的表。正确顺序是：先把要哪些列想清楚、列成清单，再交给 WorkBuddy。

2.2 完整字段表（13 个字段）

下表就是本案例的验收标准。前 10 个来自页面原始数据，后 3 个是清洗与派生出来的分析字段。

2.3 薪资字段的解析规则（关键）

薪资是最容易出错的一列，必须在提示词里把规则写死。下面是按这个平台的真实写法定下的解析口径：

• 「6-8K/月」：下限 6000、上限 8000，「K」按 1000 元计，「/月」表示月薪；
• 「6-9K/月」：下限 6000、上限 9000，同一种写法换了个区间，规则要能通用；
• 「5-20K/月」：同样是区间写法，下限 5000、上限 20000；区间跨度大时不要用平均值代替，否则高薪岗位会被拉平；
• 「元/天」「元/小时」：实习、兼职岗常见，单独标注折算口径（如按月 21.75 个工作日折算），不与正式月薪混在一起算平均；
• 「面议」这类没有数字的写法：两项数值列一律留空，另在薪资备注里写「面议」，不要填 0——填 0 会把整列的平均值拉垮；
• 别的平台还会遇到什么：商业招聘站上常见「1.5-3 万」「8 千-1.2 万」「·14 薪」——「万」按 10000、「千」按 1000 换算；「·N 薪」表示一年发 N 个月工资，折算年薪时按「月薪中值 × 月数」并写明口径。

三、零代码操作步骤

下面是在 WorkBuddy 里完成本案例的完整流程。全程不需要你写一行代码，但每一步都要动脑核对。

1. 新建对话，粘贴下一节的「采集任务提示词」，网址就用 https://job.ncss.cn/student/jobs/index.html。
2. 先采第一页做验证。看字段是不是都取到了，薪资文案有没有被截断，「招聘 50 人」这类写法有没有抽出数字。
3. 先看薪资样本。让 AI 把去重后的薪资写法列出来，你据此确认或补充解析规则。
4. 执行薪资清洗。要求生成月薪下限、月薪上限两列，并说明换算口径；「面议」一律留空。
5. 拆专业与福利标签。说「把专业要求和福利标签里的内容拆成独立的标签列，重复的标签去重」。
6. 继续翻页并联合去重。说「继续往后翻几页，最后按单位名称、岗位名称、工作城市三列联合去重，保留第一次出现的记录」。
7. 做分组统计。说「按工作城市统计岗位数量并降序，再按薪资区间做一个分布统计」。
8. 导出并归档。说「导出为 Excel，文件名 jobs_20261008.xlsx」。

四、提示词模板与追问技巧

下面这段可以直接复制。注意三个要点：网址写全、字段按编号列清、把薪资解析规则和「不采个人信息」交代死。

请帮我采集国家大学生就业服务平台的职位列表，做成一张岗位清单表。

【目标站点】https://job.ncss.cn/student/jobs/index.html
  这是教育部学生服务与素质发展中心的毕业生就业平台，职位列表公开、无需登录。
  列表按发布时间倒序排列，一行一条职位，可以分页继续往后翻；
  每条职位上有岗位名称、单位名称、单位性质、单位规模、工作城市、
  学历要求、专业要求、招聘人数、薪资、发布时间与福利标签。

【采集范围】先只采第 1 页做验证，我确认后再采前 5 页。

【需要字段】按这个顺序：
  1. 岗位名称（照录，不删括注、不改写）
  2. 单位名称（保留页面原文）
  3. 单位性质（国有企业 / 民营企业 / 股份制企业 / 事业单位 等，照页面档位）
  4. 单位规模（照录，如 1-49 人 / 5000 以上）
  5. 工作城市（照录；「全国」留空并备注）
  6. 学历要求（统一成 不限 / 大专 / 本科及以上 / 硕士 / 博士）
  7. 专业要求（页面用空格分隔，统一用「、」连接）
  8. 招聘人数（从「招聘 50 人」抽数字；「若干」留空）
  9. 薪资文案（照录，如 5-20K/月、6-8K/月、面议）
 10. 发布时间（格式 2026-10-15）
 11. 月薪下限（元，纯数字）
 12. 月薪上限（元，纯数字）
 13. 福利标签（页面用「，」分隔，统一成「、」连接）

【薪资解析规则】
  - 「6-8K/月」表示下限 6000、上限 8000，「K」按 1000 元计
  - 「5-20K/月」同理：下限 5000、上限 20000，不要用平均值代替区间
  - 「面议」：两项数值列一律留空并在备注里写「面议」，不要填 0
  - 「元/天」「元/小时」这类日薪、时薪单独备注折算口径，不混进月薪平均

【合规要求】
  - 只采列表页公开展示的字段；联系人、电话、邮箱、微信一律不要采集
  - 请求之间间隔 2 秒以上，不要并发
  - 按「单位名称 + 岗位名称 + 工作城市」三列联合去重，保留第一次出现的记录
  - 结果导出为 jobs_20261008.xlsx

4.1 三条常用追问指令

追问一（薪资没算对）：
「5-20K/月」这条的下限、上限不对，请按「K 按 1000 元」重算，
并把所有「面议」的记录两项数值留空，不要填 0。

追问二（去重）：
请按「单位名称 + 岗位名称 + 工作城市」三列联合去重，
重复的只保留第一次出现的那条，并告诉我删掉了几条。

追问三（分组统计）：
请按工作城市统计岗位数量并降序排列；再按 0-6K、6-9K、9-15K、15K 以上
四个区间统计岗位分布，用月薪下限来分档。

五、结果核对、清洗与保存

下面是采集到的结果样例（节选，2026-10-15 的真实职位数据，薪资已按 2.3 的规则数值化）：

注意这几条里的两个细节：工作城市写的是「山东」而不是某个市，所以统计城市分布时要先把省份与城市分开处理；专业要求写「专业不限」的岗位，标签列要留空并备注，不能当成「缺失值」删掉——它本身就是一个有意义的取值。

5.1 五步清洗，一句话一条

① 去重：
   按「单位名称 + 岗位名称 + 工作城市」三列联合去重，保留第一次出现的记录。

② 薪资兜底：
   逐条检查薪资文案与两个数值列是否匹配；「面议」的必须为空，
   数值列出现 0 的记录单独列出来给我核对。

③ 档位统一：
   把学历要求统一成 不限 / 大专 / 本科及以上 / 硕士 / 博士 五档；
   把单位性质归成 国有企业 / 民营企业 / 股份制企业 / 事业单位 等有限几档。

④ 缺失标注：
   薪资为面议的、单位为「若干」人、城市写「全国」的，
   各自统计条数与占比，单独写进质量说明。

⑤ 分组统计：
   按工作城市统计岗位数并降序；按四个薪资区间统计岗位分布。

5.2 保存与归档

jobs_20261008.xlsx        原始合并表（保留，不覆盖）
jobs_20261008_clean.xlsx  清洗版（去重 + 薪资数值化 + 档位统一）
jobs_stats_20261008.xlsx  统计附录：城市分布表、薪资区间分布表
jobs_20261008_log.txt     日志：页数、原始条数、去重后条数

六、常见问题与合规红线

6.1 这个站点上最容易踩的五个坑

6.2 三条合规红线（每个案例都要过一遍）

1. 不采个人信息。只采岗位卡片公开展示的字段，招聘负责人的电话、姓名、邮箱、微信一律不采、不存、不导出。
2. 控制频率与范围。只采与自己分析目的相关的那几页，不要整站抓取，不要在高峰时段反复请求。
3. 不用于商业用途。结果仅用于课程学习与统计分析，不对外转售、不二次发布原始数据。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。