爬前叨叨
今天要爬取一下正规大学名单，这些名单是教育部公布具有招生资格的高校名单，除了这些学校以外，其他招生的单位，其所招学生的学籍、发放的毕业证书国家均不予承认，也就是俗称的野鸡大学！
网址是 https://daxue.eol.cn/mingdan.shtml 爬取完毕之后，我们进行一些基本的数据分析，套路如此类似，哈哈
这个小项目采用的是scrapy，关键代码
import scrapy
from scrapy import Request,Selector
class SchoolSpider(scrapy.Spider):
name = 'School'
allowed_domains = ['daxue.eol.cn']
start_urls = ['https://daxue.eol.cn/mingdan.shtml']
def parse(self, response):
select = Selector(response)
links = select.css(".province>a")
for item in links:
name = item.css("::text").extract_first()
link = item.css("::attr(href)").extract_first()
if name in ["河南","山东"]:
yield Request(link,callback=self.parse_he_shan,meta={"name" : name})
else:
yield Request(link,callback=self.parse_school,meta={"name" : name})注意到几个问题，第一个所有的页面都可以通过第一步抓取到
但是里面出现了两个特殊页面，也就是山东和河南
北京等学校
河南等学校
对于两种不同的排版，我们采用2个方法处理，细节的地方看代码就可以啦！
尤其是下面对字符串的处理，你要仔细的查阅~
# 专门为河南和山东编写的提取方法
def parse_he_shan(self,response):
name = response.meta["name"]
data = response.css(".table-x tr")
for item in data:
school_name = item.css("td:not(.tmax)::text").extract()
if len(school_name)>0:
for s in school_name:
if len(s.strip())>0:
if len(s.split("."))==1:
last_name = s.split(".")[0]
else:
last_name = s.split(".")[1] # 最终获取到的名字
yield {
"city_name": name,
"school_name": last_name,
"code": "",
"department": "",
"location": "",
"subject": "",
"private": ""
}
# 通用学校提取
def parse_school(self,response):
name = response.meta["name"]
schools = response.css(".table-x tr")[2:]
for item in schools:
school_name = item.css("td:nth-child(2)::text").extract_first()
code = item.css("td:nth-child(3)::text").extract_first()
department = item.css("td:nth-child(4)::text").extract_first()
location = item.css("td:nth-child(5)::text").extract_first()
subject = item.css("td:nth-child(6)::text").extract_first()
private = item.css("td:nth-child(7)::text").extract_first()
yield {
"city_name":name,
"school_name":school_name,
"code":code,
"department":department,
"location":location,
"subject":subject,
"private":private
}运行代码，跑起来，一会数据到手。O(∩_∩)O哈哈~
查看专科学校和本科学校数量差别
因为河南和山东数据的缺失，需要踢出这两个省份
import pymongo
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
client = pymongo.MongoClient("localhost",27017)
schools = client["school"]
collection = schools["schools"]
df = DataFrame(list(collection.find()))
df = df[df["code"]!=""]
# 汇总本科和专业
df.groupby(["subject"]).size()结果显示，数量基本平衡
subject
专科 1240
本科 1121
dtype: int64
查看各省排名
rank = df.groupby(by="city_name").size()
rank = rank.sort_values(ascending=False)
# 设置中文字体和负号正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(12,8),dpi=80)
plt.subplot(1,1,1)
x = np.arange(len(rank.index))
y = rank.values
rect = plt.bar(left=x,height=y,width=0.618,label="学校数目",align="center",color="#03a9f4",edgecolor="#03a9f4",)
plt.xticks(x,rank.index,rotation=45,fontsize=9)
plt.yticks(np.arange(0,180,10))
plt.xlabel("城市")
plt.ylabel("大学数量")
plt.legend(loc = "upper right")
## 编辑文本
for r in rect:
height = r.get_height() # 获取高度
plt.text(r.get_x()+r.get_width()/2,height+1,str(height),size=6,ha="center",va="bottom")
plt.show()
好好研究这部分代码，咱已经开始慢慢的在爬虫中添加数据分析的内容了，我会尽量把一些常见的参数写的清晰一些
江苏和广东大学真多~
