Pre：效果预览

① 选择职位进行面试

请添加图片描述

② 根据岗位职责进行回答

请添加图片描述

一、需求背景

这两年IT互联网行业进入寒冬期，降本增效、互联网毕业、暂停校招岗位的招聘，各类裁员、缩招的情况层出不穷！对于这个市场来说，在经历了互联网资本的疯狂时代，现在各大需要的时候更多能实实在在挣钱的项目。就拿java开发工程师岗位来说，对于有多年工作经验的老鸟程序员，想要晋升跳槽，还是可以依靠自我的资源和主观能动性去谋求更高的发展！

可是对于校招生来说，好不容易学了几年的技术，正好准备要施展一方拳脚的时候，发现今年跟自己的竞争者跟多了，工作岗位却更少了。。。 先来看看时下的牛友们的面试题目。

在这里插入图片描述

虽说这些都是八股！但想要非常流利的答出来还是需要多加练习和背诵呀！ 所以，我们更应该未雨绸缪，在具备硬实力的前提下，进一步提升我们的面试应答能力！ 那么这个时候，我们就用ChatGPT来做一个根据不同公司岗位需求的AI面试助手！帮你提前熟悉面试环节！更稳拿到offer

二、项目原理及架构

2.1 实现原理

（1）校招面试体验

请添加图片描述

（2）社招面试体验

请添加图片描述

2.2 技术架构

在这里插入图片描述

2.3 技术栈

模块	语言及框架	涉及的技术要点
小程序前端	基于`VUE 2.0语法`+`Uni-app跨平台开发框架`	Http接口通信、Flex布局方式、uView样式库的使用、JSON数据解析、定时器的使用
小程序接口服务端	`Python` + `Flask WEB框架`	rest接口的开发、 ChatGPT API接口的数据对接、前后端websocket实时通信

2.4 数据交互原理

三、项目功能的实现

3.1 ChatGPT API的接入

要接入ChatGPT API，需要按照以下步骤进行操作：

注册一个账号并登录到OpenAI的官网：https://openai.com/
在Dashboard页面上，创建一个API密钥。在“API Keys”选项卡下，点击“Generate New Key”按钮。将生成的密钥保存好，以备后续使用。
选择所需的API服务，例如“Completion” API，以使用OpenAI的文本生成功能。

在这里插入图片描述
使用Python调用ChatGPT API实现代码如下：

方法一：使用request库

import requests
import json

# 构建API请求
url = "https://api.openai.com/v1/engines/davinci-codex/completions"
headers = {"Content-Type": "application/json",
           "Authorization": "Bearer YOUR_API_KEY"}
data = {
    "prompt": "Hello, my name is",
    "max_tokens": 5
}

# 发送API请求
response = requests.post(url, headers=headers, data=json.dumps(data))

# 解析API响应
response_data = json.loads(response.text)
generated_text = response_data["choices"][0]["text"]

print(generated_text)

方式二：使用openAI库

from flask import Flask, request
import openai

app = Flask(__name_
_)

openai.api_key = "YOUR_API_KEY_HERE"

@app.route("/")
def home():
    return "Hello, World!"

@app.route("/chat", methods=["POST"])
def chat():
    data = request.json
    response = openai.Completion.create(
        engine="davinci",
        prompt=data["message"],
        max_tokens=60
    )
    return response.choices[0].text

if __name__ == "__main__":
    app.run()

3.2 小程序端设计与实现

岗位列表首页	面试记录

职位详情页面	面试聊天界面

3.4 岗位爬虫以及数据交互功能设计与实现

Flask后端服务功能架构如下：

以下为项目核心的工作岗位需求获取功能的实现：



import requests
from lxml import etree
from flask import Flask, jsonify

app = Flask(__name__)

@app.route('/jobs')
def get_jobs():
    url = 'https://www.zhipin.com/job_detail/?query=java工程师&city=101010100&industry=&position='

    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299'
    }

    response = requests.get(url, headers=headers)
    html = etree.HTML(response.content)

    jobs = html.xpath('//div[@class="job-list"]/ul/li')

    job_list = []
    for job in jobs:
        job_name = job.xpath('.//div[@class="job-title"]/text()')[0]
        company_name = job.xpath('.//div[@class="company-text"]/h3/text()')[0]
        salary = job.xpath('.//span[@class="red"]/text()')[0]
        job_dict = {
            'job_name': job_name,
            'company_name': company_name,
            'salary': salary
        }
        job_list.append(job_dict)

    return jsonify(job_list)

if __name__ == '__main__':
    app.run(debug=True)

首先，我们导入 Flask 和其他必要的库。然后我们定义了一个路由 /jobs，当我们请求这个路由时，会触发 get_jobs() 函数。

get_jobs() 函数中，我们首先定义了要爬取的页面 URL 和一个伪装成浏览器的 headers。然后我们发送了一个 GET 请求并得到了响应，使用 lxml 中的 etree 解析响应内容。接下来，我们使用 XPath 找到每个职位的信息块，并使用 xpath() 方法找到每个信息块中我们需要的信息（职位名称、公司名称、薪水）。最后，我们将每个职位的信息封装成一个字典，并将所有职位信息的字典存储在一个列表中。我们将这个列表转化成 JSON 格式并返回。