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~