用 Greenhouse 自建 FDE 薪资表,别忘了单位是分
约 40 行 Python 抓取薪酬透明法强制公开的薪资范围,并写入 CSV。
要点速览
- Greenhouse Job Board 的 GET 接口不需要 API 密钥,但只有传入 pay_transparency=true 才会返回薪资范围
- 金额存放在 min_cents 和 max_cents 中,5000000 表示 50,000.00 美元
- 不标薪资范围的岗位很常见:Palantir 在美国的 52 个岗位中只有 21 个标明了薪资
Greenhouse 文档里有一个数字,足以让整张薪资表出错:"min_cents":5000000。忘了它的单位是分,你会以为这个岗位年薪 500 万美元,而实际是 50,000.00 美元。
本文教你避开这类小陷阱。你将写一个简短的 Python 脚本:调用 Greenhouse 的公开岗位 API,筛选出前线部署工程师(FDE)岗位,把薪资范围换算成易读的单位,再把结果写入 CSV 文件。
最终你会得到一张自己动手做的 FDE 薪资表,注明数据来源和抓取日期,而不是口口相传的数字。
如果你正准备谈 offer,这张表会有用。但更大的收获是技能本身:调用陌生的 API、读懂数据结构、统一单位、处理缺失数据,正是 FDE 在客户现场的日常工作。
为什么 API 里会有薪资范围?
主要是法律要求。据律所 Foley & Lardner 介绍,科罗拉多州要求每个招聘岗位都附上薪资信息,只要雇主在该州至少有一名员工,远程岗位也包括在内。加州要求受监管的雇主在招聘信息中列出薪资范围,第三方发布的招聘信息同样适用。
纽约市也要求,凡是至少部分在该市工作的岗位,招聘信息都须写明最低和最高年薪或时薪。所以旧金山、纽约的 FDE 岗位通常带有薪资范围,Greenhouse 也通过 API 提供这些数据。
要记住这一点带来的后果:你收集到的数据主要反映美国市场,因为那里的法律强制公开薪资。不要用它推断其他市场的薪资。
写代码之前需要准备什么?
你需要 Python 3 和 requests 库(pip install requests)。不需要 API 密钥:Greenhouse 文档写明 Job Board 数据是公开的,GET 接口无需认证。
需要自己找的是 board token,也就是 API 路径中的公司标识。最快的办法是打开公司的招聘页面:如果页面托管在 Greenhouse 上,公司标识通常就在 URL 里。这只是一个实用的捷径,找到后再用下面的第 1 步确认。
第 1 步:调用接口,先查看结构再信任它
岗位列表接口的形式是 GET https://boards-api.greenhouse.io/v1/boards/{board_token}/jobs。加上 content=true,每个岗位会带上完整描述、部门和办公地点;加上 pay_transparency=true,才会返回 pay_input_ranges 数组。Greenhouse 的一篇支持文章也确认,只有开启这个参数才会返回薪资数据。
import requests
BOARD = "company_board_token"
URL = f"https://boards-api.greenhouse.io/v1/boards/{BOARD}/jobs"
resp = requests.get(
URL,
params={"content": "true", "pay_transparency": "true"},
timeout=30,
)
resp.raise_for_status()
data = resp.json()
print(data.keys())
检查:调用没有抛出 HTTP 错误,并打印出顶层的键。下面的代码假设岗位位于 jobs 键下,且每个岗位都有 title 字段。这是一种简化,请对照刚才打印的输出确认。
第 2 步:筛选 FDE 岗位
不同公司的岗位名称不一定完全相同。简单的做法是按标题中的字符串过滤,然后自己逐条看一遍。
jobs = data.get("jobs", [])
fde_jobs = [
j for j in jobs
if "forward deployed" in (j.get("title") or "").lower()
]
print(len(jobs), len(fde_jobs))
for j in fde_jobs:
print(j.get("title"))
检查:打印出每个筛选后的标题。如果看到不相关的标题,或者你知道这家公司对该岗位另有叫法,现在就调整过滤条件,别等表格算出数字之后再改。
第 3 步:把分换算成货币单位,保留没有薪资范围的岗位
这一步决定了表格对不对。Greenhouse 文档中的示例 JSON 显示,每个薪资范围都有 min_cents、max_cents 和 currency_type,所以必须除以 100。代码使用 .get(),这样某个范围缺少字段时脚本不会中途停止,这也符合“绝不盲目信任数据结构”的原则。
def cents(value):
return value / 100 if value is not None else None
def to_rows(job):
ranges = job.get("pay_input_ranges") or []
if not ranges:
return [{"title": job.get("title"), "min": None,
"max": None, "currency": None}]
return [{
"title": job.get("title"),
"min": cents(r.get("min_cents")),
"max": cents(r.get("max_cents")),
"currency": r.get("currency_type"),
} for r in ranges]
rows = [row for j in fde_jobs for row in to_rows(j)]
用文档里的数字测试一下:5000000 除以 100 得到 50,000.00,7500000 除以 100 得到 75,000.00 美元。如果你的表里工程岗位出现了七位数的薪资,几乎可以肯定是忘了做除法。
为什么要保留没有标薪资的岗位?因为它们比你想象的多。根据 Valletta Software 整理的 2026 年 9 月 8 日数据,Palantir 的 Forward Deployed Software Engineer 薪资范围只出现在美国 52 个岗位中的 21 个上。丢掉另外 31 个,你就不知道自己的表代表了多大比例的市场。
第 4 步:写入 CSV,统计标明薪资的岗位
一个岗位可能有多个薪资范围,所以 CSV 的行数不等于岗位数。覆盖率必须按岗位统计,这样你的数字才能和“52 个岗位中有 21 个”这类数据对比。
import csv
from datetime import date
with open(f"fde_pay_{BOARD}_{date.today()}.csv", "w", newline="") as f:
w = csv.DictWriter(f, fieldnames=["title", "min", "max", "currency"])
w.writeheader()
w.writerows(rows)
covered = sum(1 for j in fde_jobs if j.get("pay_input_ranges"))
print(f"{covered}/{len(fde_jobs)} 个岗位标明了薪资范围")
检查:打开文件读几行,再把这里打印的岗位数和第 2 步的结果对比。文件名包含数据抓取日期,因为薪资范围会变,你的表只在运行那一刻准确。
怎么知道表格是对的?
和已公开的薪资范围对比。同样根据 Valletta Software 2026 年 9 月 8 日的数据,以下是三个基准:
| 公司 | 基本薪资范围 | 对比时注意 |
|---|---|---|
| Anthropic | $280,000 至 $320,000 | 岗位位于纽约、旧金山、西雅图 |
| OpenAI | $185,000 至 $300,000 | 范围之外另有股权 |
| Palantir | $125,000 至 $200,000 | 股权和奖金不在范围内 |
如果你的表和这些基准相差很远,先怀疑过滤条件或除法,再怀疑市场。最后一列也提醒了一件常被忽略的事:这些是基本薪资,不是总薪酬。拿 Palantir 的中位数(162,500)和 OpenAI 的中位数(242,500)比较却不提股权,这样的对比是有缺陷的。
最常见的错误
最常见的错误是忘了 pay_transparency=true,然后断定公司没有公开薪资。其次是忘了除以 100、把不同币种放在同一列里求平均,以及把没有薪资范围的岗位当作薪资为零。
更隐蔽的错误是在循环里反复调用 API,没有终止条件。不需要密钥的 API 并不意味着可以随意调用;做薪资表,每天跑一次就够了。
这项技能在客户现场怎么用?
设想你在一家物流客户的第一周:需要从一个从未见过的系统中拉取订单数据。步骤几乎一模一样:发一次请求,打印结构,确认单位(分还是元,秒还是毫秒),然后在搭建任何看板之前,先统计有多少记录缺少关键字段。
所以表格做完后,别只留给自己。把它放到 GitHub 上,在 README 里写明数据日期、标明薪资的岗位占比,以及这张表的局限。
在简历上写一句“搭建数据管道收集公开薪资范围,统一单位,并报告缺失薪资数据的岗位占比”,正好向 FDE 招聘方展示了他们想看到的东西:你能处理真实而杂乱的数据,并清楚说明它可信到什么程度。
薪资表几周后就会过时。先打印结构、再统计缺口的习惯,在每个客户那里都用得上。
这篇文章对你有帮助吗?
感谢你的反馈!
4 个信源
- Greenhouse Job Board API documentation
- Greenhouse Support: Permissions: Job Admin and above who can create, edit, and delete job posts (pay transparency section)
- Navigate New State Pay Transparency Laws (Foley & Lardner) · 2023-01
- Forward Deployed Engineer Salary in 2026 (Valletta Software) · 2026-09-08