高考成绩可以查询了，用Python爬取数据：看看哪些学校专业更受宠
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者：Python头条
今天各地的2020年高考成绩陆续可以查询了，考生的志愿填报也随即提上日程。
俗话说，七分考，三分报。想必同学们一定不想因高分低报而浪费分数，也不想低分高报而与大学失之交臂。
如何获取数据
我们使用Python获取了中国教育在线网站的高校数据，共2904条。以下展示数据获取部分代码：
https://gkcx.eol.cn/school/search
具体思路如下：
- 分析网页，通过翻页可以发现数据是动态加载的，因此通过Chrome浏览器进行抓包分析获取真实的URL请求地址，并确定请求方式(get还是post)；
- 使用requests请求网页数据；
- 使用json解析并提取数据；
- 使用pandas将数据保存到本地
首先打开网址，使用Chrome浏览器的检查功能，切换到Network-XHR，点击翻页进行网络数据抓包，很容易发现数据都是被封装在json中的，如下图所示：
切换到Headers处，确定请求的方法为post请求，得到数据请求的URL地址，其中page参数代表页数，通过遍历即可获取所有数据。代码如下：
# 导入包
import numpy as np
import pandas as pd
import requests
import json
from fake_useragent import UserAgent
import time
# 获取一页
def get_one_page(page_num):
# 获取URL
url = 'https://api.eol.cn/gkcx/api/'
# 构造headers
headers = {
'User-Agent': UserAgent().random,
'Origin': 'https://gkcx.eol.cn',
'Referer': 'https://gkcx.eol.cn/school/search?province=&schoolflag=&recomschprop=',
}
# 构造data
data = {
'access_token': "",
'admissions': "",
'central': "",
'department': "",
'dual_class': "",
'f211': "",
'f985': "",
'is_dual_class': "",
'keyword': "",
'page': page_num,
'province_id': "",
'request_type': 1,
'school_type': "",
'size': 20,
'sort': "view_total",
'type': "",
'uri': "apigkcx/api/school/hotlists",
}
# 发起请求
try:
response = requests.post(url=url, data=data, headers=headers)
except Exception as e:
print(e)
time.sleep(3)
response = requests.post(url=url, data=data, headers=headers)
# 解析获取数据
school_data = json.loads(response.text)['data']['item']
# 学校名
school_name = [i.get('name') for i in school_data]
# 隶属部门
belong = [i.get('belong') for i in school_data]
# 高校层次
dual_class_name = [i.get('dual_class_name') for i in school_data]
# 是否985
f985 = [i.get('f985') for i in school_data]
# 是否211
f211 = [i.get('f211') for i in school_data]
# 办学类型
level_name = [i.get('level_name') for i in school_data]
# 院校类型
type_name = [i.get('type_name') for i in school_data]
# 是否公办
nature_name = [i.get('nature_name') for i in school_data]
# 人气值
view_total = [i.get('view_total') for i in school_data]
# 省份
province_name = [i.get('province_name') for i in school_data]
# 城市
city_name = [i.get('city_name') for i in school_data]
# 区域
county_name = [i.get('county_name') for i in school_data]
# 保存数据
df_one = pd.DataFrame({
'school_name': school_name,
'belong': belong,
'dual_class_name': dual_class_name,
'f985': f985,
'f211': f211,
'level_name': level_name,
'type_name': type_name,
'nature_name': nature_name,
'view_total': view_total,
'province_name': province_name,
'city_name': city_name,
'county_name': county_name,
})
return df_one
# 获取多页
def get_all_page(all_page_num):
# 存储表
df_all = pd.DataFrame()
# 循环页数
for i in range(all_page_num):
# 打印进度
print(f'正在获取第{i + 1}页的高校信息')
# 调用函数
df_one = get_one_page(page_num=i+1)
# 追加
df_all = df_all.append(df_one, ignore_index=True)
# 随机休眠
time.sleep(np.random.uniform(2))
return df_all
if __name__ == '__main__':
# 运行函数
df = get_all_page(all_page_num=148) 通过上述程序，共获取到2904条数据，数据预览如下：
df.head() 