1分鐘爬取全國高校信息，制成大屏可視化！

回復(fù)“書籍”即可獲贈Python從入門到進(jìn)階共10本電子書

記得當(dāng)初高考完，我選學(xué)校的時候是在書店買的高校信息排名的書，然而書中的信息都是很久之前的，并沒有什么太大幫助。今天就來帶大家爬點真正有用的東西，全國高校信息，涵蓋絕大多數(shù)高校，并制作可視化看板。話不多說，進(jìn)入正題！

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(yīng)大學(xué)的信息。

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

爬取代碼

導(dǎo)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(wù)器端，例如  Web 服務(wù)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(jìn)度條。

對于 pathlib 與 tqdm 的使用建議參考以下文章：
pathlib一個優(yōu)雅的路徑操作模塊，碾壓os！
用Pyhton給代碼安個進(jìn)度條，太香了吧！

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(xué)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(yīng)數(shù)據(jù)的編碼格式
                    response.encoding = 'utf-8'
                    # 遇到IO請求掛起當(dāng)前任務(wù)，等IO操作完成執(zhí)行之后的代碼，當(dāng)協(xié)程掛起時，事件循環(huán)可以去執(zhí)行其他任務(wù)。
                    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(xué)校id'] = json_info['school_id']              # 學(xué)校id
    save_info['學(xué)校名稱'] = json_info['name']                  # 學(xué)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(xué)校層次'] = level                               # 學(xué)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(xué)校類型'] = json_info['type_name']              # 學(xué)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(wù)對象>>掛起任務(wù)

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(wù)對象并添加到任務(wù)列表中
    tasks = [loop.create_task(get_json_data(url, semaphore)) for url in url_list]
    # 掛起任務(wù)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(xué)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(xué)技術(shù)大學(xué)。

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(xué)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(lǐng)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(biāo)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

這就是今天要和大家分享的內(nèi)容，包含數(shù)據(jù)采集->數(shù)據(jù)處理->可視化。

我是Python進(jìn)階者，大家在學(xué)習(xí)過程中如果有遇到問題，歡迎隨時聯(lián)系我解決（我的微信：pdcfighting），應(yīng)粉絲要求，我創(chuàng)建了一些高質(zhì)量的Python付費學(xué)習(xí)交流群，歡迎大家加入我的Python學(xué)習(xí)交流群！

下面是我的微信