1分鐘爬取全國高校信息，制成大屏可視化！

數(shù)據(jù)爬取

地址：https://www.gaokao.cn/school/140F12 打開開發(fā)者工具，通過抓包工具很輕松就獲取到了 json 文件。我們直接對該鏈接發(fā)起請求，就可以獲取對應大學的信息。

另外對比發(fā)現(xiàn) https://static-data.eol.cn/www/2.0/school/140/info.json，關鍵參數(shù) 140 為學校ID，但ID不是連續(xù)的，所以，我們爬取時只能根據(jù)大致的學校數(shù)量進行爬取。

爬取代碼

導入模塊

import?aiohttp
import?asyncio
import?pandas?as?pd
from?pathlib?import?Path
from?tqdm?import?tqdm
import?time

簡單說明一下主要模塊的用途：

• aiohttp：可以實現(xiàn)單線程并發(fā) IO 操作。如果僅用在客戶端，發(fā)揮的威力不大，只是為了搭配 asyncio 來使用，因為 requests 不支持異步。如果把 asyncio 用在服務器端，例如 ?Web 服務器，由于 HTTP 連接就是 IO 操作，因此可以用 單線程 + coroutine 實現(xiàn)多用戶的高并發(fā)支持。
• asyncio：提供了完善的異步IO支持，可以將多個協(xié)程（coroutine）封裝成一組 Task 然后并發(fā)執(zhí)行。
• pandas：將爬取的數(shù)據(jù)轉(zhuǎn)為 DataFrame 類型，并生成 csv 文件。
• pathlib：面向?qū)ο蟮木幊谭绞絹肀硎疚募到y(tǒng)路徑。
• tqdm：只需使用 tqdm(iterable) 包裝任何可迭代對象，就能讓你的循環(huán)生成一個智能進度條。

生成URL序列

通過指定的 URL 模板與 max_id 生成 URL 序列，這里添加了一個去重操作，如果之前已采集過高校信息，它會根據(jù)同目錄下的文件，剔除已采集的高校ID，僅采集未獲取過的高校信息。

def?get_url_list(max_id):
????url?=?'https://static-data.eol.cn/www/2.0/school/%d/info.json'
????not_crawled?=?set(range(max_id))
????if?Path.exists(Path(current_path,?'college_info.csv')):
????????df?=?pd.read_csv(Path(current_path,?'college_info.csv'))
????????not_crawled?-=?set(df['學校id'].unique())
????return?[url%id?for?id?in?not_crawled]

采集JSON數(shù)據(jù)

通過協(xié)程對URL序列發(fā)出請求，注意要限制并發(fā)量，Window：500，Linux：1024。

async?def?get_json_data(url,?semaphore):
????async?with?semaphore:
????????headers?=?{
????????????'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',
????????}
????????async?with?aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False),?trust_env=True)?as?session:
????????????try:
????????????????async?with?session.get(url=url,?headers=headers,?timeout=6)?as?response:
????????????????????#?更改相應數(shù)據(jù)的編碼格式
????????????????????response.encoding?=?'utf-8'
????????????????????#?遇到IO請求掛起當前任務，等IO操作完成執(zhí)行之后的代碼，當協(xié)程掛起時，事件循環(huán)可以去執(zhí)行其他任務。
????????????????????json_data?=?await?response.json()
????????????????????if?json_data?!=?'':
????????????????????????return?save_to_csv(json_data['data'])
????????????except:
????????????????return?None

數(shù)據(jù)解析保存

JSON數(shù)據(jù)中的字段有很多，大家可以根據(jù)自己的情況解析保存自己需要的字段。

def?save_to_csv(json_info):
????save_info?=?{}
????save_info['學校id']?=?json_info['school_id']??????????????#?學校id
????save_info['學校名稱']?=?json_info['name']??????????????????#?學校名字
????level?=?""
????if?json_info['f985']?==?'1'?and?json_info['f211']?==?'1':
????????level?+=?"985?211"
????elif?json_info['f211']?==?'1':
????????level?+=?"211"
????else:
????????level?+=?json_info['level_name']
????save_info['學校層次']?=?level???????????????????????????????#?學校層次
????save_info['軟科排名']?=?json_info['rank']['ruanke_rank']????#?軟科排名
????save_info['校友會排名']?=?json_info['rank']['xyh_rank']?????#?校友會排名
????save_info['武書連排名']?=?json_info['rank']['wsl_rank']?????#?武書連排名
????save_info['QS世界排名']?=?json_info['rank']['qs_world']?????#?QS世界排名
????save_info['US世界排名']?=?json_info['rank']['us_rank']??????#?US世界排名
????save_info['學校類型']?=?json_info['type_name']??????????????#?學校類型
????save_info['省份']?=?json_info['province_name']??????????????#?省份
????save_info['城市']?=?json_info['city_name']??????????????????#?城市名稱
????save_info['所處地區(qū)']?=?json_info['town_name']??????????????#?所處地區(qū)
????save_info['招生辦電話']?=?json_info['phone']????????????????#?招生辦電話
????save_info['招生辦官網(wǎng)']?=?json_info['site']?????????????????#?招生辦官網(wǎng)


????df?=?pd.DataFrame(save_info,?index=[0])

????header?=?False?if?Path.exists(Path(current_path,?'college_info.csv'))?else?True
????df.to_csv(Path(current_path,?'college_info.csv'),?index=False,?mode='a',?header=header)

調(diào)度程序

調(diào)度整個采集程序。獲取URL>>限制并發(fā)量>>創(chuàng)建任務對象>>掛起任務

async?def?main(loop):
????#?獲取url列表
????url_list?=??get_url_list(5000)
????#?限制并發(fā)量
????semaphore?=?asyncio.Semaphore(500)
????#?創(chuàng)建任務對象并添加到任務列表中
????tasks?=?[loop.create_task(get_json_data(url,?semaphore))?for?url?in?url_list]
????#?掛起任務列表
????for?t?in?tqdm(asyncio.as_completed(tasks),?total=len(tasks)):
????????await?t

以上就是程序運行的主要代碼。

運行效果

這里采集ID在5000以內(nèi)的高校信息，如果要盡可能多的采集高校信息的話，建議多次運行，直至無新增數(shù)據(jù)。

第一次運行（采集到2140行）第二次運行（采集到680行）通過兩次運行共采集到2820行數(shù)據(jù)。下面我們開始可視化部分。

Tableau可視化

相比于其他的可視化工具或者第三方繪圖庫，我更傾向于 Tableau，上手十分簡單，想要了解的可以看一下 Tableau Public，這里發(fā)布了很多大牛的作品。

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

它唯一的缺點就是收費，如果是學生的話，可以免費使用，否則，建議先用免費版的 Tableau Public，等到充分了解后再考慮付費。

對于本次的可視化，總共繪制有四個圖表。

高校數(shù)量分布地圖

高校數(shù)量排名前三的分別是江蘇、廣東、河南（僅供參考）

軟科高校排名TOP10

根據(jù)軟科排名來看，全國TOP10的高校絕大多數(shù)都是綜合類，理工類的只有第七名的中國科學技術大學。

高校層次分布

從采集的數(shù)據(jù)中來看， 211 的高校占比本科院校約 9.5% ，985 的高校占比本科院校約 3.5%，果然是鳳毛麟角。

高校類型分布

學校類型主要還是理工類和綜合類，二者數(shù)量基本持平，都遙遙領先于其他的類型。數(shù)量第二層級為財經(jīng)類，師范類，醫(yī)藥類。

合成看板

將上述的工作表合并成一個看板，過程十分簡單，只需要將圖標拖拽到指定位置即可。再添加一個篩選操作，點擊地圖中的某個省份聯(lián)動其他工作表。

看板已發(fā)布到 Tableau Public?？梢栽诰€編輯，或下載整個可視化工作包，鏈接如下：
https://public.tableau.com/shared/ZCXWTK6SP?:display_count=n&:origin=viz_share_link

完整代碼見附件：

全國高校信息采集源碼。鏈接：https://pan.baidu.com/s/1FCXwAyeeqkoH6M_ITWWAcw提取碼：6cbf

對比Excel系列圖書累積銷量達15w冊，讓你輕松掌握數(shù)據(jù)分析技能，可以在全網(wǎng)搜索書名進行了解：