爬虫+可视化｜爬取「奔跑吧」全系列嘉宾名单，并进行可视化分析
大家好，我是启航。
今天分析『奔跑吧』全系列的嘉宾名单，分析每位嘉宾参加次数（可能有的嘉宾参加过几季），以及统计嘉宾职业类型个数，最后进行可视化展示分析。
1
网页分析
通过网上查询，知道『奔跑吧』到目前为止一共9季，先是奔跑吧兄弟1~4，到后面改名为奔跑吧1~4，以及奔跑吧黄河篇。
对应的网页链接如下：
url_list=[
'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',
'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',
'https://baike.baidu.com/item/奔跑吧兄弟第三季',
'https://baike.baidu.com/item/奔跑吧兄弟第四季',
'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',
'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',
'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',
'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',
'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048'
]1.分析网页结构
首先以奔跑吧第1季为例去分析网页结构（其他的链接网页结构一样）
咱们主要是爬取嘉宾姓名和明星类型（演员、歌手等）
本来想通过xpath解析网页方式去定位数据，但是发现定位不到，所以就采取了另外一种方式：字符串截取（其实正则re也可以，有很多种方式，只要能够解析出来即可，大家可以自由发挥）
截取前后分别是：分期嘉宾、表演嘉宾
2
获取数据
首先导入相应的库
import requests
from lxml import etree
import json
import time
import openpyxl
将9季的网页链接放到集合中url_list,同时定义name存放嘉宾名字，types是明星类型（歌手、演员等）
### 姓名
name = []
### 明星类型
types = []
url_list=[
'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',
'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',
'https://baike.baidu.com/item/奔跑吧兄弟第三季',
'https://baike.baidu.com/item/奔跑吧兄弟第四季',
'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',
'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',
'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',
'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',
'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048'
]
开始请求数据
### 循环遍历
for u in url_list:
url = u
print(url)
res = requests.get(url,headers=headers)
res.encoding = 'utf-8'
text = res.text
sp1 = text.split("参与期数")[1].split("表演嘉宾")[0]
selector = etree.HTML(sp1)
tr_list = selector.xpath('.//tr')
tr_list = tr_list[1:]
###名字
for i in tr_list:
#print(i.xpath(".//div[@class='para']/b/a/text()")[0])
name.append(i.xpath(".//div[@class='para']/b/a/text()")[0])
### 明星类型
for i in tr_list:
te = i.xpath(".//div[@class='para']/text()")[0]
te = te.split("，")[0].replace("（","")
#print(te)
types.append(te)
print(name)
print(types)
print(len(name))
print(len(types))
保存数据（excel）
outwb = openpyxl.Workbook()
outws = outwb.create_sheet(index=0)
outws.cell(row=1, column=1, value="名字")
outws.cell(row=1, column=2, value="明星类型")
for i in range(0,len(name)):
outws.cell(row=i+2, column=1, value=str(name[i]))
outws.cell(row=i+2, column=2, value=str(types[i]))
outwb_p.save("奔跑吧嘉宾名单-李运辰.xls") # 保存
3
可视化分析
1.统计每一位嘉宾参加次数排名（取前15）
首先读取excel中数据，其中名字（第一列）存放在name变量中，明星类型（第二列）存放在types变量中。
data = pd.read_excel("奔跑吧嘉宾名单-李运辰.xls")
name = data['名字'].tolist()
types = data['明星类型'].tolist()
然后对name，嘉宾名字进行个数（参加过多少次）统计排名（取前15）
# 排序方法
from collections import Counter
# 排序
d = sorted(result.items(), key=lambda x: x[1], reverse=True)
name_key = [d[i][0] for i in range(0,16)]
value = [d[i][1] for i in range(0,16)]
print(name_key)
print(value)
进行可视化展示
导入相关的库
### 画图
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from pyecharts.charts import Bar
from pyecharts.charts import Pie
绘图代码
# 链式调用
c = (
Bar(
init_opts=opts.InitOpts( # 初始配置项
theme=ThemeType.MACARONS,
animation_opts=opts.AnimationOpts(
animation_delay=1000, animation_easing="cubicOut" # 初始动画延迟和缓动效果
))
)
.add_xaxis(xaxis_data=name_key) # x轴
.add_yaxis(series_name="统计每一位嘉宾参加次数排名（取前15）", y_axis=values) # y轴
.set_global_opts(
title_opts=opts.TitleOpts(title='', subtitle='', # 标题配置和调整位置
title_textstyle_opts=opts.TextStyleOpts(
font_family='SimHei', font_size=25, font_weight='bold', color='red',
), pos_left="90%", pos_top="10",
),
xaxis_opts=opts.AxisOpts(name='嘉宾', axislabel_opts=opts.LabelOpts(rotate=45)),
# 设置x名称和Label rotate解决标签名字过长使用
yaxis_opts=opts.AxisOpts(name='次数'),
).render("统计每一位嘉宾参加次数排名（取前15）.html")
)
从图中可以看到，参加奔跑吧节目最多的嘉宾是：林更新（3次），其他的最多的次数是两次。
2.嘉宾职业类型统计
从嘉宾（明星）类型中可以大概知道有这么几类（演员、歌手、主持人、模特、主持人、运动员、舞者、制片人、赛车手、经纪人）
开始统计以上这几种职业类型的个数
### 嘉宾职业类型
name = ['演员','歌手','主持人','模特','主持人','运动员','舞者','制片人','赛车手','经纪人']
### 初始化为0
value = [0,0,0,0,0,0,0,0,0,0]
for i in types:
for j in range(0,len(name)):
if name[j] in i:
value[j] = value[j] +1
print(name)
print(value)
开始绘图
pie = Pie("嘉宾职业类型统计",title_pos='center')
pie.add(
"",
name,
value,
radius=[40, 75],
label_text_color=None,
is_label_show=True,
is_more_utils=True,
legend_orient="vertical",
legend_pos="left",
)
pie.render(path="嘉宾职业类型统计.html")
从统计图来看，嘉宾中职业最多的是演员，其次是歌手。
4
小结
今天分析『奔跑吧』全系列的嘉宾名单，分析每位嘉宾参加次数（可能有的嘉宾参加过几季），以及统计嘉宾职业类型个数，最后进行可视化展示分析。