Scrapy实战篇（八）之爬取教育部高校名单抓取和分析

　　本节我们以网址https://daxue.eol.cn/mingdan.shtml为初始链接，爬取教育部公布的正规高校名单。

　　思路：

　　　　1、首先以上面的地址开始链接，抓取到下面省份对应的链接。

　　　　2、在解析具体的省份源代码，获取数据。虽然山东和河南的网页结构和其他不同，我们也不做特殊处理，直接不做抓取即可；将抓取到的数据存储到mongodb数据库

　　　　3、对高校数据做数据分析及数据可视化。

抓取数据

1、定义数据结构

class daxueItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    province = Field()   # 省份
    name = Field()       # 学校名称
    bianhao = Field()    # 学校编号
    zhishujigou = Field() # 直属机构
    diqu = Field()        # 所属城市名称
    jibei = Field()      # 学校级别

2、编写爬虫

class DaxueSpider(scrapy.Spider):
    name = 'daxue'
    #allowed_domains = ['daxue.eol.cn']
    start_urls = ['https://daxue.eol.cn/mingdan.shtml']

    def parse(self, response):              #初始网页的解析函数
        soup = BeautifulSoup(response.text, 'lxml')
        gx_url_list = soup.find_all(name='div', class_='province')
        for gx_url in gx_url_list:
            url = gx_url.a['href']
            yield Request(url = url,callback = self.parse_daxue_list)  #回调函数

    def parse_daxue_list(self,response):
        #response.encoding = 'utf-8'  # 解决中文乱码
        soup = BeautifulSoup(response.text, 'lxml')

        prov = soup.find_all(name='div', class_='title')[0].text.replace('正规高校名单', '')    #获取省份名称

        dx_list = soup.find_all(name='table', class_='table-x')
        for dx_details in dx_list:
            for dx_detail in dx_details.find_all(name='tr'):
                if (dx_detail == dx_details.find_all(name='tr')[0] or dx_detail == dx_details.find_all(name='tr')[1]):
                    continue
                else:
                    daxue = daxueItem()
                    daxue['province'] = prov
                    daxue['name'] = dx_detail.find_all(name='td')[1].text
                    daxue['bianhao'] = dx_detail.find_all(name='td')[2].text
                    daxue['zhishujigou'] = dx_detail.find_all(name='td')[3].text
                    daxue['diqu'] = dx_detail.find_all(name='td')[4].text
                    daxue['jibei'] = dx_detail.find_all(name='td')[5].text
                    yield daxue

3、将数据存入mongodb数据库，编写pipeline

class MongoPipeline(object):
    def __init__(self,mongo_url,mongo_db,collection):
        self.mongo_url = mongo_url
        self.mongo_db = mongo_db
        self.collection = collection

    @classmethod
    def from_crawler(cls,crawler):
        return cls(
            mongo_url=crawler.settings.get('MONGO_URL'),
            mongo_db = crawler.settings.get('MONGO_DB'),
            collection = crawler.settings.get('COLLECTION')
        )

    def open_spider(self,spider):
        self.client = pymongo.MongoClient(self.mongo_url)
        self.db = self.client[self.mongo_db]

    def process_item(self,item, spider):
        name = self.collection
        self.db[name].insert(dict(item))
        return item

    def close_spider(self,spider):
        self.client.close()

4、配置setting文件，需要配置的项：mongodb的连接信息，放开pipeline即可，没有其他复杂的配置。

5、运行项目即可获取数据；刨除山东和河南，我们共抓取数据2361条，全部高校数据均被抓取下来。

代码链接：https://gitee.com/liangxinbin/Scrpay/tree/master/scrapydaxue

分析数据

1、以饼图展示全国高校中，本科和专科的数据占比，代码

def daxue():
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client['test']  # 指定数据库
    collection = db['daxue']  # 指定集合
    daxue = collection.find()
    dx_data = DataFrame(list(daxue))         # 将读取到的mongo数据转换为DataFrame数据集合
    dx_data = dx_data.drop(['_id'],axis=1)
    df_jibei = dx_data['jibei']              # 从数据集中取出学校级别一列

    df = df_jibei.value_counts()             # 统计专科很本科的数据量
    labels = df.index   # 显示在图形上的标签
    sizes = df.values   # 要在图中显示的数据

    # 解决中文乱码问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False

    fig1, ax1 = plt.subplots()
    ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)  # 使用pie()方法绘制饼图。
    ax1.axis('equal')
    ax1.set(title="全国高校本科专科占比")  # 设置饼图标题

    plt.show()

抓取的数据中，本科1121，专科1240，由此可见，占比差异不大。

 2、以条形图展示各个身份的高校数量

def daxue_shuliang():
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client['test']  # 指定数据库
    collection = db['daxue']  # 指定集合
    daxue = collection.find()
    dx_data = DataFrame(list(daxue))
    dx_data = dx_data.drop(['_id'], axis=1)
    df = dx_data['province']

    df1 = df.value_counts()
    ind = np.arange(len(df1.values))
    width = 0.8

    fig, ax = plt.subplots()
    rects1 = ax.bar(ind,df1.values, width, color='SkyBlue')

    # # Add some text for labels, title and custom x-axis tick labels, etc.
    ax.set_ylabel('数量')
    ax.set_title('全国高校分布情况')
    ax.set_xlabel('省份')
    ax.set_xticklabels((df1.index))
    ax.legend()

    x = np.arange(len(df1.index))
    # 解决中文乱码问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.yticks(np.arange(0, 180, 10))                  # 设置y轴的刻度范围
    plt.xticks(x, df1.index, rotation=45, fontsize=9)  # 设置x轴上显示的省份个数

    # 在图形上面添加数值，并设置数值的位置
    # for x, y in enumerate(df1.values):
    #     plt.text(x, y + 100, '%s' % round(y,2), ha='left')

    plt.show()

 

可以看到，江苏省和广东省的高校数量遥遥领先，刚好，这两个省份也是全国经济最发达的两个省份(个人见解)；由此可见，教育对省份经济的促进作用。

 

上面我们从省份的维度查看了高校的分布，现在我们从城市的角度出发，在看一下高校在各个城市的分布情况。

def daxue_shuliang_city():
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client['test']  # 指定数据库
    collection = db['daxue']  # 指定集合
    daxue = collection.find()
    dx_data = DataFrame(list(daxue))
    dx_data = dx_data.drop(['_id'], axis=1)
    df = dx_data['diqu']

    df1 = df.value_counts()
    df1 = df1[df1.values >= 15]             #因城市太多，我们只取了城市大学数量超过15的城市
    print(df1)
    ind = np.arange(len(df1.values))
    width = 0.5

    fig, ax = plt.subplots()
    rects1 = ax.bar(ind,df1.values, width, color='SkyBlue')

    # # Add some text for labels, title and custom x-axis tick labels, etc.

    ax.set_title('全国高校分布情况')
    ax.set_xlabel('城市')
    ax.set_ylabel('数量')
    ax.set_xticklabels((df1.index))
    ax.legend()

    x = np.arange(len(df1.index))
    # 解决中文乱码问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.yticks(np.arange(0, 100, 10))                  # 设置y轴的刻度范围
    plt.xticks(x, df1.index, rotation=45, fontsize=9)  # 设置x轴上显示的省份个数

    # 在图形上面添加数值，并设置数值的位置
    # for x, y in enumerate(df1.values):
    #     plt.text(x, y + 100, '%s' % round(y,2), ha='left')

    plt.show()

从图中可以考到，首都北京的高校数量时最多的，排名前五的城市依次是北京，武汉，广州，重庆，和上海，这五个城市在全国都是经济非常发达的城市。因此我们大致可以得出，城市大学数量和城市经济呈正相关。

 

可能会有人郁闷了，上面我们以省份为维度时，高校数量最多的省份是江苏省，但是以城市为维度时，大学数量超过15的城市，属于江苏省的只有南京和苏州，且排名都不怎么靠前，那好，接下来我们以江苏省为基准，查看江苏省内高校数量的分布情况。

def daxue_shuliang_prov_jiangsu():
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client['test']  # 指定数据库
    collection = db['daxue']  # 指定集合
    daxue = collection.find()
    dx_data = DataFrame(list(daxue))
    dx_data = dx_data.drop(['_id'], axis=1)
    dx_data = dx_data[dx_data['province'] == '江苏省']
    dx_data = dx_data.sort_values('diqu')
    df1 = dx_data['diqu']
    df1 = df1.value_counts()

    ind = np.arange(len(df1.values))
    width = 0.5

    fig, ax = plt.subplots()
    rects1 = ax.bar(ind,df1.values, width, color='SkyBlue')

    # # # Add some text for labels, title and custom x-axis tick labels, etc.
    #
    ax.set_title('江苏省高校分布情况')
    ax.set_xlabel('城市')
    ax.set_ylabel('数量')
    ax.set_xticklabels((df1.index))
    ax.legend()
    #
    x = np.arange(len(df1.index))
    # 解决中文乱码问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.yticks(np.arange(0, 60, 10))                  # 设置y轴的刻度范围
    plt.xticks(x, df1.index, rotation=45, fontsize=9)  # 设置x轴上显示的省份个数

    # 在图形上面添加数值，并设置数值的位置
    # for x, y in enumerate(df1.values):
    #     plt.text(x, y + 100, '%s' % round(y,2), ha='left')

    plt.show()

从图中可以看到，江苏省除了南京市和苏州市之外，其他城市大学数量分布较为均匀，基本都在10个左右；如果加上南京和苏州，计算江苏省内城市平均大学数量，应该会超过10个，城市大学数量平均10个，这在其他省份应该不太多，这也从另一方面说明了为什么江苏省内地区发展均为均衡的原因吧。

 

我们接着查看全国各省份有大学城市的城市大学平均个数

def daxue_shuliang_prov_mean():
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client['test']  # 指定数据库
    collection = db['daxue']  # 指定集合
    daxue = collection.find()
    dx_data = DataFrame(list(daxue))
    dx_data = dx_data.drop(['_id'], axis=1)

    dx_prov = dx_data.groupby('province')    #按照省份对数据进行分组


    dx_avg_list = []
    for name, group in dx_prov:    #遍历分组之后的数据，计算平均个数，形成省份和平均数量的字典，添加到列表中
        dx_avg_dic = {}
        dx_avg_dic['prov'] = name
        dx_avg_dic['avg'] = (group['province'].count()/len(group.groupby('diqu')['name'].count())).round(decimals=2)
        dx_avg_list.append(dx_avg_dic)
    dx_df = DataFrame(list(dx_avg_list))        #以字典的列表构造df数据集
    df1 = dx_df.sort_values('avg',ascending=False)
    ind = np.arange(len(df1['avg']))
    width = 0.5

    fig, ax = plt.subplots()
    rects1 = ax.bar(ind, df1['avg'], width, color='SkyBlue')

    # # # Add some text for labels, title and custom x-axis tick labels, etc.
    #
    ax.set_title('全国省份平均高校数量')
    ax.set_xlabel('省份')
    ax.set_ylabel('数量')
    ax.set_xticklabels(df1['prov'])
    ax.legend()

    x = np.arange(len(df1['avg']))
    # 解决中文乱码问题
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.yticks(np.arange(0, 100, 10))  # 设置y轴的刻度范围
    plt.xticks(x, df1.prov, rotation=45, fontsize=9)  # 设置x轴上显示的省份个数

    plt.show()

包含北京，上海，天津，重庆四大直辖市

 

刨除北京，上海，天津，重庆四大直辖市

从上面两张图可以看出，在刨除北京，上海，天津，重庆四个直辖市之后，城市平均大学数量排名第一的是 江苏省，达到了11.13个，也印证了我们上面的分析。

有趣的是，排名第二的河北省，经济却比较落后，可能是距离北京太近了吧，O(∩_∩)O哈哈~

至此，我们完成了对全国高校数据的抓取和分析，仅仅是小试牛刀，完整代码请参见： https://gitee.com/liangxinbin/Scrpay/blob/master/Vsualization.py