1分钟爬取全国高校信息，制成大屏可视化！

转x33g5p2x  于2022-02-15 转载在 其他  
字(4.0k)|赞(0)|评价(0)|浏览(271)

记得当初高考完，我选学校的时候是在书店买的高校信息排名的书，然而书中的信息都是很久之前的，并没有什么太大帮助。今天就来带大家爬点真正有用的东西，全国高校信息，涵盖绝大多数高校，并制作可视化看板。话不多说，进入正题！

数据爬取

地址：https://www.gaokao.cn/school/140

F12 打开开发者工具，通过抓包工具很轻松就获取到了 json 文件。

我们直接对该链接发起请求，就可以获取对应大学的信息。

另外对比发现 https://static-data.eol.cn/www/2.0/school/140/info.json，关键参数 140 为学校ID，但ID不是连续的，所以，我们爬取时只能根据大致的学校数量进行爬取。

爬取代码

导入模块
  1. import aiohttp
  2. import asyncio
  3. import pandas as pd
  4. from pathlib import Path
  5. from tqdm import tqdm
  6. import time

简单说明一下主要模块的用途：

  • aiohttp：可以实现单线程并发 IO 操作。如果仅用在客户端，发挥的威力不大，只是为了搭配 asyncio 来使用，因为 requests 不支持异步。如果把 asyncio 用在服务器端，例如  Web 服务器，由于 HTTP 连接就是 IO 操作，因此可以用 单线程 + coroutine 实现多用户的高并发支持。
  • asyncio：提供了完善的异步IO支持，可以将多个协程（coroutine）封装成一组 Task 然后并发执行。
  • pandas：将爬取的数据转为 DataFrame 类型，并生成 csv 文件。
  • pathlib：面向对象的编程方式来表示文件系统路径。
  • tqdm：只需使用 tqdm(iterable) 包装任何可迭代对象，就能让你的循环生成一个智能进度条。
生成URL序列

通过指定的 URL 模板与 max_id 生成 URL 序列，这里添加了一个去重操作，如果之前已采集过高校信息，它会根据同目录下的文件，剔除已采集的高校ID，仅采集未获取过的高校信息。

  1. def get_url_list(max_id):
  2.     url = 'https://static-data.eol.cn/www/2.0/school/%d/info.json'
  3.     not_crawled = set(range(max_id))
  4.     if Path.exists(Path(current_path, 'college_info.csv')):
  5.         df = pd.read_csv(Path(current_path, 'college_info.csv'))
  6.         not_crawled -= set(df['学校id'].unique())
  7.     return [url%id for id in not_crawled]
采集JSON数据

通过协程对URL序列发出请求，注意要限制并发量，Window：500，Linux：1024。

  1. async def get_json_data(url, semaphore):
  2.     async with semaphore:
  3.         headers = {
  4.             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
  5.         }
  6.         async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:
  7.             try:
  8.                 async with session.get(url=url, headers=headers, timeout=6) as response:
  9.                     # 更改相应数据的编码格式
  10.                     response.encoding = 'utf-8'
  11.                     # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。
  12.                     json_data = await response.json()
  13.                     if json_data != '':
  14.                         return save_to_csv(json_data['data'])
  15.             except:
  16.                 return None
数据解析保存

JSON数据中的字段有很多，大家可以根据自己的情况解析保存自己需要的字段。

  1. def save_to_csv(json_info):
  2.     save_info = {}
  3.     save_info['学校id'] = json_info['school_id']              # 学校id
  4.     save_info['学校名称'] = json_info['name']                  # 学校名字
  5.     level = ""
  6.     if json_info['f985'] == '1' and json_info['f211'] == '1':
  7.         level += "985 211"
  8.     elif json_info['f211'] == '1':
  9.         level += "211"
  10.     else:
  11.         level += json_info['level_name']
  12.     save_info['学校层次'] = level                               # 学校层次
  13.     save_info['软科排名'] = json_info['rank']['ruanke_rank']    # 软科排名
  14.     save_info['校友会排名'] = json_info['rank']['xyh_rank']     # 校友会排名
  15.     save_info['武书连排名'] = json_info['rank']['wsl_rank']     # 武书连排名
  16.     save_info['QS世界排名'] = json_info['rank']['qs_world']     # QS世界排名
  17.     save_info['US世界排名'] = json_info['rank']['us_rank']      # US世界排名
  18.     save_info['学校类型'] = json_info['type_name']              # 学校类型
  19.     save_info['省份'] = json_info['province_name']              # 省份
  20.     save_info['城市'] = json_info['city_name']                  # 城市名称
  21.     save_info['所处地区'] = json_info['town_name']              # 所处地区
  22.     save_info['招生办电话'] = json_info['phone']                # 招生办电话
  23.     save_info['招生办官网'] = json_info['site']                 # 招生办官网
  25.     df = pd.DataFrame(save_info, index=[0])
  27.     header = False if Path.exists(Path(current_path, 'college_info.csv')) else True
  28.     df.to_csv(Path(current_path, 'college_info.csv'), index=False, mode='a', header=header)
调度程序

调度整个采集程序。获取URL>>限制并发量>>创建任务对象>>挂起任务

  1. async def main(loop):
  2.     # 获取url列表
  3.     url_list =  get_url_list(5000)
  4.     # 限制并发量
  5.     semaphore = asyncio.Semaphore(500)
  6.     # 创建任务对象并添加到任务列表中
  7.     tasks = [loop.create_task(get_json_data(url, semaphore)) for url in url_list]
  8.     # 挂起任务列表
  9.     for t in tqdm(asyncio.as_completed(tasks), total=len(tasks)):
  10.         await t

以上就是程序运行的主要代码。

运行效果

这里采集ID在5000以内的高校信息，如果要尽可能多的采集高校信息的话，建议多次运行，直至无新增数据。

第一次运行（采集到2140行）

第二次运行（采集到680行）

通过两次运行共采集到2820行数据。下面我们开始可视化部分。

Tableau可视化

相比于其他的可视化工具或者第三方绘图库，我更倾向于 Tableau，上手十分简单，想要了解的可以看一下 Tableau Public，这里发布了很多大牛的作品。

https://public.tableau.com/app/discover

它唯一的缺点就是收费，如果是学生的话，可以免费使用，否则，建议先用免费版的 Tableau Public，等到充分了解后再考虑付费。

对于本次的可视化，总共绘制有四个图表。

高校数量分布地图

高校数量排名前三的分别是江苏、广东、河南（仅供参考）

软科高校排名TOP10


根据软科排名来看，全国TOP10的高校绝大多数都是综合类，理工类的只有第七名的中国科学技术大学。

高校层次分布


从采集的数据中来看， 211 的高校占比本科院校约 9.5% ，985 的高校占比本科院校约 3.5%，果然是凤毛麟角。

高校类型分布


学校类型主要还是理工类和综合类，二者数量基本持平，都遥遥领先于其他的类型。数量第二层级为财经类，师范类，医药类。

合成看板

将上述的工作表合并成一个看板，过程十分简单，只需要将图标拖拽到指定位置即可。

再添加一个筛选操作，点击地图中的某个省份联动其他工作表。

看板已发布到 Tableau Public。可以在线编辑，或下载整个可视化工作包，链接如下：
https://public.tableau.com/shared/ZCXWTK6SP?:display_count=n&:origin=viz_share_link

完整代码见附件：

  1. 全国高校信息采集源码。
  2. 链接：https://pan.baidu.com/s/1FCXwAyeeqkoH6M_ITWWAcw
  3. 提取码：6cbf

- END -

  1. 对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，可以在全网搜索书名进行了解：

版权说明 : 本文为转载文章, 版权归原作者所有 版权申明

原文链接 : https://blog.csdn.net/junhongzhang/article/details/122934830

内容来源于网络，如有侵权，请联系作者删除！

Javapython数据分析数据可视化可视化

相关文章

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新文章

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com