python爬取历年高考分数线——预测2018年高考分数线
高考已经结束了，相信绝大部分同学都在放松自己了，毕竟压抑了这么久。现在虽然距离高考放榜还有一段时间，可能有一些同学已经迫不及待地想知道自己考的怎样。因此，现在就来爬取高考网上的近几年高考分数线，看一下近几年分数线的变化趋势，从而心里面有个底，这样才能够更加放松的去嗨皮。
使用的工具库
beautifulsoupmongodbecharts
总体思路
在高考网上，可以查看各省的分数线，其中文理科都有2009-2017年的数据，所以可以直接爬取这些数据下来存到MongoDB中，然后再使用echarts进行绘图展示，从而可以更加直观的看到高考分数线的变化趋势
爬取数据
一、获取各省的分数线信息：
有两种方法可以达到这个目的：
通过拼接URL链接切换省份，可以得出链接的变化规律：只要替换省份的拼音上去就可以请求到
http://www.gaokao.com/guangdong/fsx/
http://www.gaokao.com/shanghai/fsx/通过获取地区导航中的各省链接，直接得到URL
如果使用第一种方法的话，推荐使用pypinyin模块——汉字拼音转换模块/工具。直接使用lazy_pinyin方法就可以得到各省的拼音。由于返回的是列表，所以还需要处理一下才能使用。
lazy_pinyin例子：
>>> from pypinyin import lazy_pinyin
>>> lazy_pinyin('北京')
['bei', 'jing']
这里就直接使用的二种方法(原因嘛——懒癌，哈哈)
直接定义一个方法去实现。
代码：
# 获取省份及链接
pro_link = []
def get_provice(url):
web_data = requests.get(url, headers=header)
soup = BeautifulSoup(web_data.content, 'lxml')
provice_link = soup.select('.area_box > a')
for link in provice_link:
href = link['href']
provice = link.select('span')[0].text
data = {
'href': href,
'provice': provice
}
provice_href.insert_one(data)#存入数据库
pro_link.append(href)
二、爬取分数线
接下来就可以开始爬取分数线了，通过审查元素(如下图)，直接使用beautifulsoup来过滤内容
代码：
# 获取分数线
def get_score(url):
web_data = requests.get(url, headers=header)
soup = BeautifulSoup(web_data.content, 'lxml')
# 获取省份信息
provice = soup.select('.col-nav span')[0].text[0:-5]
# 获取文理科
categories = soup.select('h3.ft14')
category_list = []
for item in categories:
category_list.append(item.text.strip().replace(' ', ''))#替换空格
# 获取分数
tables = soup.select('h3 ~ table')
for index, table in enumerate(tables):
tr = table.find_all('tr', attrs={'class': re.compile('^c_\S*')})#使用正则匹配
for j in tr:
td = j.select('td')
score_list = []
for k in td:
# 获取每年的分数
if 'class' not in k.attrs:
score = k.text.strip()
score_list.append(score)
# 获取分数线类别
elif 'class' in k.attrs:
score_line = k.text.strip()
score_data = {
'provice': provice.strip(),#省份
'category': category_list[index],#文理科分类
'score_line': score_line,#分数线类别
'score_list': score_list#分数列表
}
score_detail.insert_one(score_data)#插入数据库
三、开始爬取
由于有30多个省份，所以这里使用多线程来爬取，可以提高爬取效率。
代码：
if __name__ == '__main__':
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:58.0) Gecko/20100101 Firefox/58.0',
'Connection': 'keep - alive'
}
url = 'http://www.gaokao.com/guangdong/fsx/'
get_provice(url)
pool = Pool()
pool.map(get_score, [i for i in pro_link])#使用多线程
使用多线程爬取的话，不用1分钟就可以爬完所有的数据了。看，多线程可牛逼了，叉会腰先
数据可视化
爬取数据只是第一步，接下来就要对数据进行处理展示了。从mongodb 中查找出数据，对数据进行清洗整理，由于我这里的pyecharts有点问题，所以使用echarts进行展示
一、筛选省份等信息
直接通过mongodb的find函数，限制查找的内容
代码：
import pymongo
import charts
client = pymongo.MongoClient('localhost', 27017)
gaokao = client['gaokao']
score_detail = gaokao['score_detail']
# 筛选分数线、省份、文理科
def get_score(line,pro,cate):
score_list=[]
for i in score_detail.find({"$and":[{"score_line":line},{"provice":pro},{'category': cate}]}):
score_list = i['score_list']
score_list.remove('-')#去掉没有数据的栏目
score_list = list(map(int, score_list))
score_list.reverse()
return score_list二、定义相关数据
# 获取文理科分数
line = '一本'
pro = '北京'
cate_wen = '文科'
cate_li = '理科'
wen=[]
li = []
wen=get_score(line,pro,cate_wen)#文科
li=get_score(line,pro,cate_li)#理科
# 定义年份
year = [2017,2016,2015,2014,2013,2012,2011,2010,2009]
year.reverse()三、折线图展示
series = [
{
'name': '文 科',
'data': wen,
'type': 'line'
}, {
'name': '理科',
'data': li,
'type': 'line',
'color':'#ff0066'
}
]
options = {
'chart' : {'zoomType':'xy'},
'title' : {'text': '{}省{}分数线'.format(pro,line)},
'subtitle': {'text': 'Source: gaokao.com'},
'xAxis' : {'categories': year},
'yAxis' : {'title': {'text': 'score'}}
}
charts.plot(series, options=options,show='inline')这样就可以得到下面的历年分数线趋势图了。当然，可以修改get_score的参数就可以的到其他省份的信息了。
四、预测今年分数线
通过折线图，可以大概的预测2018年北京高考一本的分数线：文科在550-560分之间；理科在530-540分之间。当然，这只是预测的，如果有特殊情况的话，可能波动会比较大。另外，还可以通过拉格朗日插值法求出今年的分数线，这样比较准确，但是由于过程比较麻烦，所以这里只是目测而已。
写在最后
这篇文章对于高考生来说意义不是很大，只是有一点心理的安慰作用而已，建议考生们还是放心的去耍。毕竟考试已经考完了，现在最重要的任务就是开开心心的去玩耍。
但是从python新手的角度来说，可以拿这个项目来练手，因为这里用到了beautifulsoup的一些常用的方法，如果能够掌握并使用到的话会提高筛选信息的速度。
最后的最后，祝愿每一位考生都能取得自己满意的成绩哈！！！
源码地址：https://github.com/stormdony/python_demo/tree/master/GaokaoLine