Python爬取大学排名详细教程 python爬取高考各高校分数线

转载

footballboy 2023-12-05 02:28:51

文章标签 Python爬取大学排名详细教程 python爬取高考各高校分数线数据多线程 mongodb 文章分类 Python 后端开发

高考已经结束了，相信绝大部分同学都在放松自己了，毕竟压抑了这么久。现在虽然距离高考放榜还有一段时间，可能有一些同学已经迫不及待地想知道自己考的怎样。因此，现在就来爬取高考网上的近几年高考分数线，看一下近几年分数线的变化趋势，从而心里面有个底，这样才能够更加放松的去嗨皮。

使用的工具库

beautifulsoup

mongodb

echarts

1.总体思路

在高考网上，可以查看各省的分数线，其中文理科都有2009-2017年的数据，所以可以直接爬取这些数据下来存到MongoDB中，然后再使用echarts进行绘图展示，从而可以更加直观的看到高考分数线的变化趋势

Python爬取大学排名详细教程 python爬取高考各高校分数线_多线程

2.爬取数据

1.获取各省的分数线信息

有两种方法可以达到这个目的

1).通过拼接URL链接切换省份，可以得出链接的变化规律：只要替换省份的拼音上去就可以请求到:

http://www.gaokao.com/guangdong/fsx/

http://www.gaokao.com/shanghai/fsx/

推荐使用pypinyin模块——汉字拼音转换模块/工具。直接使用lazy_pinyin方法就可以得到各省的拼音。由于返回的是列表，所以还需要处理一下才能使用。

>>> from pypinyin import lazy_pinyin
>>> lazy_pinyin('北京')
['bei', 'jing']

2).通过获取地区导航中的各省链接，直接得到URL

Python爬取大学排名详细教程 python爬取高考各高校分数线_多线程_02

获取各省份的链接：

1 #获取省份及链接
2 pro_link =[]3 defget_provice(url):4 web_data = requests.get(url, headers=header)5 soup = BeautifulSoup(web_data.content, 'lxml')6 provice_link = soup.select('.area_box > a')7 for link inprovice_link:8 href = link['href']9 provice = link.select('span')[0].text10 data ={11 'href': href,12 'provice': provice13 }14 provice_href.insert_one(data)#存入数据库
15 pro_link.append(href)

2.爬取分数线

接下来就可以开始爬取分数线了，通过审查元素(如下图)，直接使用beautifulsoup来过滤内容

Python爬取大学排名详细教程 python爬取高考各高校分数线_多线程_03

#获取分数线
defget_score(url):
web_data= requests.get(url, headers=header)
soup= BeautifulSoup(web_data.content, 'lxml')#获取省份信息
provice = soup.select('.col-nav span')[0].text[0:-5]#获取文理科
categories = soup.select('h3.ft14')
category_list=[]for item incategories:
category_list.append(item.text.strip().replace(' ', ''))#替换空格
#获取分数
tables = soup.select('h3 ~ table')for index, table inenumerate(tables):
tr= table.find_all('tr', attrs={'class': re.compile('^c_\S*')})#使用正则匹配
for j intr:
td= j.select('td')
score_list=[]for k intd:#获取每年的分数
if 'class' not ink.attrs:
score=k.text.strip()
score_list.append(score)#获取分数线类别
elif 'class' ink.attrs:
score_line=k.text.strip()
score_data={'provice': provice.strip(),#省份
'category': category_list[index],#文理科分类
'score_line': score_line,#分数线类别
'score_list': score_list#分数列表
}
score_detail.insert_one(score_data)#插入数据库

3.开始爬取

由于有30多个省份，所以这里使用多线程来爬取，可以提高爬取效率。

if __name__ == '__main__':
header={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0','Connection': 'keep - alive'}
url= 'http://www.gaokao.com/guangdong/fsx/'get_provice(url)
pool=Pool()
pool.map(get_score, [ifor i in pro_link])#使用多线程

使用多线程爬取的话，不用1分钟就可以爬完所有的数据了。看，多线程可牛逼了，叉会腰先

3.数据可视化

爬取数据只是第一步，接下来就要对数据进行处理展示了。从mongodb 中查找出数据，对数据进行清洗整理，由于我这里的pyecharts有点问题，所以使用echarts进行展示

1).筛选省份等信息

直接通过mongodb的find函数，限制查找的内容

importpymongoimportcharts
client= pymongo.MongoClient('localhost', 27017)
gaokao= client['gaokao']
score_detail= gaokao['score_detail']#筛选分数线、省份、文理科
defget_score(line,pro,cate):
score_list=[]for i in score_detail.find({"$and":[{"score_line":line},{"provice":pro},{'category': cate}]}):
score_list= i['score_list']
score_list.remove('-')#去掉没有数据的栏目
score_list =list(map(int, score_list))
score_list.reverse()return score_list

2).定义相关数据

#获取文理科分数
line = '一本'pro= '北京'cate_wen= '文科'cate_li= '理科'wen=[]
li=[]
wen=get_score(line,pro,cate_wen)#文科
li=get_score(line,pro,cate_li)#理科
#定义年份
year = [2017,2016,2015,2014,2013,2012,2011,2010,2009]
year.reverse()

3).折线图展示

series =[
{'name': '文 科','data': wen,'type': 'line'}, {'name': '理科','data': li,'type': 'line','color':'#ff0066'}
]
options={'chart' : {'zoomType':'xy'},'title' : {'text': '{}省{}分数线'.format(pro,line)},'subtitle': {'text': 'Source: gaokao.com'},'xAxis' : {'categories': year},'yAxis' : {'title': {'text': 'score'}}
}
charts.plot(series, options=options,show='inline')

这样就可以得到下面的历年分数线趋势图了。当然，可以修改get_score的参数就可以的到其他省份的信息了

Python爬取大学排名详细教程 python爬取高考各高校分数线_mongodb_04