Python网络爬虫及数据可视化(软科中国大学专业排名|计算机科学与技术)

最新推荐文章于 2024-07-24 14:07:34 发布

Zikoeng Tong

最新推荐文章于 2024-07-24 14:07:34 发布

阅读量4.9k

点赞数 25

文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/qq_41682323/article/details/121792115

版权

文章介绍了如何使用requests,BeautifulSoup,matplotlib和sqlite3库从中国大学专业排名网站爬取2021年计算机科学与技术专业的数据，包括学校名称和总分，并通过数据可视化展示结果。

摘要由CSDN通过智能技术生成

设计内容：

对中国大学专业排名网站中2021年，计算机科学与技术专业，进行数据爬取和数据可视化。

URL地址：https://www.shanghairanking.cn/rankings/bcmr/2021/080901

具体实现思路如下：

1.使用requests库中的get方法获取网页源代码。

2.配合使用BeautifulSoup进行简单的网页结构数据分析及清洗，提取出该专业的前10所大学的数据（学校名称、总分）。

3.使用matplotlib库绘制柱状图

4.用sqlite3将数据写入数据库中

以下是实现后的效果图：

在编写代码之前先将所使用到的库（requests、BeautifulSoup、matplotlib、sqlite3）安装配置好所需环境

>>>pip install requests
>>>pip install bs4
>>>pip install matplotlib
>>>pip install sqlite3

环境搭建完毕后下面进入正题，上代码：

# 导入requests
import requests
# 导入BeautifulSoup
from bs4 import BeautifulSoup
# 导入matplotlib
import matplotlib.pyplot as plt
# 导入numpy
import numpy as np
# 导入sqlite3
import sqlite3

以上第一步，首先将下载好的库导入项目中。

第二步开始前我们需要对其网页html结构进行分析，在Chrome浏览器下按F12进入开发者工具，在开发者工具上方可以看到箭头一样的标识按钮，使用它可以快速跳转到指定样式的html结构内部，举个例子：

在这里我们可以得知我们需要的两个数据之一学校名称“清华大学”写在<a></a>标签内，另外我们需要的表示学校分数的数据则写在<div></div>标签内，其标签类名分别定义为：class="name-cn"，class="score"，在该排名榜网页中其他的学校如：“北京大学”，“浙江大学”，“哈尔滨工业大学”...等也是如此结构，在我们了解需要的数据在html中的基本结构后就可以开始了

# 发送请求，获取响应
response = requests.get('https://www.shanghairanking.cn/rankings/bcmr/2021/080901')
# 从响应中获取数据
home_page = response.content.decode(encoding='utf-8')
# 创建BeautifulSoup对象
soup = BeautifulSoup(home_page, 'lxml')
# 查找网页中的学校名称和成绩数据
school_name = soup.find_all(attrs={'class': 'name-cn'})
score = soup.find_all(attrs={'class': 'score'})
# 创建两个新的列表以便后续使用
school_name_Result = []
score_Result = []
# 遍历将爬取出来的网页数据写入一个新的列表
for i in range(15):
    school_name_Result.append(school_name[i].text)
    score_Result.append(score[i].text)
# 逆序列表
school_name_Result.reverse()
score_Result.reverse()

以上步骤首先我们通过使用requests中的get方法对该网页进行发送请求，获取响应。

随后通过response.content.decode(encoding='utf-8')从响应中获取数据，创建BeautifulSoup对象将获取到的数据传入指定解析器为lxml。

在第二步开始前我们已经进行过分析

接着通过Beautiful下的find_all方法来通过attrs来指定属性字典进行查找获取到所有类名为'name-cn'的学校名称和类名为'score'的学校分数。

最后我们通过遍历并拿到所需的排名前十五所大学的数据（学校名称、学校分数）分别保存在两个新的列表中，将两组数据按从先到后排序。

# 设置图形化界面的整体长宽大小
plt.figure(figsize=(15,10))
plt.xticks(rotation=45)  # 设置x轴显示方法
# 设置y轴最大最小值
plt.ylim(0,100)
# 传递可用参数生成可视化图形
plt.bar(school_name_Result, score_Result)
# 设置标题
plt.title("2021中国大学专业排名————计算机科学与技术")

for i in range(len(school_name_Result)):
    plt.text(school_name_Result[i], score_Result[i], score_Result[i], ha="center")
plt.show()  # 显示创建的绘图对象

第三步调用matplotlib库初始可视化界面默认参数，设置其长宽大小，x、y轴所使用到的数据，

最后通过show（）方法显示可视化界面。

在这里我们可能会出现一个问题导致无法成功运行程序

提示报错：UserWarning: Glyph 21271 (\N{CJK UNIFIED IDEOGRAPH-5317}) missing from current font.
FigureCanvasAgg.draw(self)

这是因为matplotlib中文乱码的问题

解决这个问题有两种方案：

①将Mircosoft YaHei UI字体文件（一般在C:\Windows\Fonts路径内可以找到）添加到

自己的python安装目录\Lib\site-packages\matplotlib\mpl-data\fonts\ttf

②添加以下代码为matplotlib库指定默认字体：

# 解决Matplotlib中文乱码问题
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 连接数据库，如没有则新建该数据库
con = sqlite3.connect('csData.db')
print("Open database successfully")

# 在数据库对象中创建一个列表包含主键和两个属性列
stmt="CREATE TABLE if not exists SNAME(ID INT PRIMARY KEY   NOT NULL,schoolName CHAR   NOT NULL,score FLOAT   NOT NULL)"
con.execute(stmt)
print("Table created successfully")
# 创建数据库游标
cur=con.cursor()

# 创建两个列表用于后续保存数据
sqlString=[]
sqlString_Result=[]

# 遍历排名列表并暂时保存于新建的变量中用于传递参数
for i in rank:
    sc=school_name_Result[i];
    sr=score_Result[i]
    sqlString.append(i+1)
    sqlString.append(sc)
    sqlString.append(sr)

# 将列表强制转换成元组
    changeTuple=tuple(sqlString)
    sqlString_Result.append(changeTuple)
# 清空字典
    sqlString.clear()
# 批量执行多条数据库语句
cur.executemany("insert into SNAME values(?,?,?)",sqlString_Result)
# 选中数据库SNAME中的所有数据
cur.execute("select * from SNAME")
# 遍历返回多个元组
for item in cur.fetchall():
    print(item)
print("Check database successfully")

最后通过Python中数据库相关的语句对sqlite3数据库进行操作，数据处理使用到了部分数据类型之间的转换，

通过上述方案即可解决。

完成以上所有步骤后程序正常运行~~~