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