大数据告诉你，中国哪里出美女

前言 

      “自古美女出苏杭”，“川渝盛产美女”，究竟哪里才是中国最盛产美女的地方，为此，本文采用网页自动化抓取的方法，调取了中国大型偶像乐团SNH48的成员介绍，找到成员出生地一览进行汇总统计！

概要 

        网页信息采集可以使用的工具众多，本次博主采用casperJS自动化采集的方式，采集了SNH48官网成员介绍页面。casperJS能够方便地实现网页截图，网页元素查找等方面的功能，特别值得一提的是其对于选择器的较好支持，能够基于选择器查找所需元素，这样就大大简化了提取关键信息的步骤，从而避免了以往数据采集通过正则表达式查找元素的麻烦。casperJS的简介及使用方法详见其官网：http://casperjs.org/

步骤

        1、登录SNH48官网的成员介绍主页：http://www.snh48.com/member_list.php；

        2、随意点击某一成员的信息主页，可以发现其URL格式形如：http://www.snh48.com/member_detail.php?sid=xxx

        可以看到，sid后面的数字即为成员的编号；查看整个页面，可以发现其取值范围为1~150，但某些取值可能没有页面，即编号不连续，不过好在这个问题的存在不影响采集，稍后详细介绍。

        3、查找成员的出生地，如下图所示红框所示

        4、最关键一步，查找该出生地对应的选择器。

        打开chrome，选择“检查”，再点击“元素选择器”并选中上面第3步的出生地元素，如下图所示：

        可以看出，出生地放在了一个无序列表项li当中，该列表项的class名为12，且有多个同名的class，故不能采用li.12的形式定位。那么，我们向上寻找其父元素

        看到其父元素为div，类名mem_w，为了验证类名为mem_w的div的唯一性，在chrome的console中输入：document.querySelectorAll(".mem_w")，如下图所示：

        由此可见该元素具有唯一性，那么通过它再找到出生地对应的li即可找到元素，观察发现，显示出生地的li位于该div下的第22个元素，采用document.querySelectorAll(".mem_w li:nth-child(22)")验证，结果如下：

        至此，我们就找到了网页采集的关键元素，从而可以编写采集代码了。

        5、编写casperJS代码采集信息（拿走不谢）：

        

var casper = require('casper').create();
var fs=require('fs');
casper.start();
fs.write("snh48.html",'<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">','a+')
for (var i = 1; i <=180; i++) {
    (function (arg) {
        casper.then(
            function () {
                var url = "http://www.snh48.com/member_detail.php?sid=" + arg;
                casper.page = casper.newPage();
                casper.open(url).then(function () {
                    fs.write("snh48.html",arg,"a+");
                    if(casper.getHTML(".mem_w li:nth-child(22)"))
                    {
                        fs.write("snh48.html",casper.getHTML(".mem_w li:nth-child(22)")+"<br>",'a+');
                    }
                });
            }
        );
    })(i)
}
casper.run();

        代码部分解读：

        （1）引入fs模块用于将采集到的数据输出到文件，在写入数据前，为了避免出现乱码，需要给文件指定编码格式UTF-8；

        （2）第6行起，引入闭包，否则for循环内采集的结果将永远是最后一个，即sid为180的网页。不熟悉闭包的同学，可以阅读相关书籍和文档。

        6、其他

        类似的，我们再次抓取SNH48姐妹团BEJ48（http://www.bej48.com/member.html）和GNZ48（http://www.gnz48.com/member/member_list.php）的数据，脚本仍然采用上述框架，只是URL和选择器需要重新调整，在此不再赘述。

结论

        本次采集共获得了169个数据，汇总如下：

省份	美女数量
上海	21
四川	19
广东	13
江苏	12
浙江	11
湖南	11
湖北	10
河南	9
福建	7
山东	7
重庆	6
辽宁	6
北京	5
陕西	4
安徽	4
贵州	4
云南	3
江西	3
黑龙江	2
台湾	2
海南	2
内蒙古	1
吉林	1
香港	1
河北	1
广西	1
甘肃	1
内蒙	1
天津	1

        绘制柱状图如下：

        可以看出，SNH48成员多来自上海及周边，此外来自四川、湖南、湖北也为数不少，与传统意义上大家认同的盛产美女的地方基本保持一致。当然，由于SNH48地处上海，来自上海的成员可能也有一定程度的地域优势，但基于网页信息的抓取和统计分析，就暂时不考虑此种因素。