爬取全国大学排名 用pyecharts进行可视化
院校网址:http://college.gaokao.com/schlist/p
F12 先找到对应的全部list
需要先安装requests,lxml
可直接用 pip install requests pip install lxml 命令安装
导入需要的相关包
import requests
from lxml import etree
import time
import random
import csv
#避免网页反爬虫
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'}
url = 'http://college.gaokao.com/schlist/p'
response = requests.get(url,headers=headers)
time.sleep(random.randint(0,2)) #同样用于反爬虫
再调用 lxml 获取到整页的学校名称
selector = etree.HTML(response.text)
all_list = selector.xpath('//*[starts-with(@class,"scores_List")]/dl') #页面中全部学校 全部dl列
调用 for 循环获取dl中所有需要的数据
for sel in all_list:
name = sel.xpath('dt/strong/a/text()')[0] #学校名称
place = sel.xpath('dd/ul/li[1]/text()')[0][6:] #高校所在地
type = sel.xpath('dd/ul/li[3]/text()')[0][5:] #高校类型
nature = sel.xpath('dd/ul/li[5]/text()')[0][5:] #高校性质
try: #获取的数据院校特色有地方空缺为避免出现空缺无法爬取数据
tese = sel.xpath('string(dd/ul/li[2])')[5:] #院校特色
except:
tese='' #遇到空缺值让院校特色等于null
lishu = sel.xpath('dd/ul/li[4]/text()')[0][5:] #高校隶属
最后将爬取的数据保存(保存成CSV文件格式)
with open('school.csv','a',encoding='gbk',newline='')as file:
writer = csv.writer(file)
try:
writer.writerow(item)
except Exception as e:
print(e)
爬取的部分内容如下
最后用函数将全部代码串接
附上完整代码
import requests
from lxml import etree
import time
import random #用于反爬 产生随机数
import csv
def csv_writer(item):
with open('school.csv','a',encoding='gbk',newline='')as file: #newline='' 保证写入到CSV中不空行
writer = csv.writer(file)
try:
writer.writerow(item)
except Exception as e:
print(e)
def spider(url_):
time.sleep(random.randint(0,2)) # 同样用于反爬虫
res = requests.get(url_,headers=headers)
return etree.HTML(res.text)
def parse(list_url):
selector = spider(list_url)
all_list = selector.xpath('//*[starts-with(@class,"scores_List")]/dl') #页面中全部学校 全部dl列
for sel in all_list:
try:
name = sel.xpath('dt/strong/a/text()')[0] #学校名称
except:
name = ''
place = sel.xpath('dd/ul/li[1]/text()')[0][6:] #高校所在地
type = sel.xpath('dd/ul/li[3]/text()')[0][5:] #高校类型
nature = sel.xpath('dd/ul/li[5]/text()')[0][5:] #高校性质
try: #获取的数据院校特色有地方空缺为避免出现空缺无法爬取数据
tese = sel.xpath('string(dd/ul/li[2])')[5:] #院校特色
except:
tese='' #遇到空缺值让院校特色等于null
lishu = sel.xpath('dd/ul/li[4]/text()')[0][5:] #高校隶属
# print(name,place,type,nature,tese,lishu)
csv_writer([name,place,type,nature,tese,lishu])
#避免网页反爬虫
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'}
url_ = 'http://college.gaokao.com/schlist/p'
all_url = [url_ + str(i) for i in range(1,107)] #提取到所有学校的全部网址
for url in all_url:
parse(url)
*为了方便观看爬取到情况将爬取的文件进行整合并进行可视化
**整合内容如下:
1、柱状图
from pyecharts.charts import Bar,Line
from pyecharts import options as opts
from pyecharts.globals import ThemeType #渲染主题
import pandas as pd
datafile = r'D:/Demo/school.xlsx'
data = pd.read_excel(datafile)
x1 = data['城市'].tolist() #变成列表形式
y1 = data['本科'].tolist()
y2 = data['专科'].tolist()
# 更新后有两种调用方法 不习惯链式调用依旧可以单独调用方法
# 链式调用 V1版本要求>=1.0
bar = (
Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK)) #主题
.add_xaxis(x1)
.add_yaxis("本科",y1,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max",name="最大值"),opts.MarkPointItem(type_="min",name="最小值")]),
markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="max",name="最大值"),opts.MarkLineItem(type_="min",name="最小值")