【Python爬虫】爬取2022软科全国大学排行榜

目录

 1.任务要求

2.网络爬虫实现原理

3.系统设计与代码实现

3.1 第一题

3.1.1 最初设计方案：采用request+BeautifulSoup 方式

3.1.2 更改后的设计方案：采用request直接获取json格式的html信息。

3.2 第二题

3.2.1 流程图

 3.2.1 代码

3.3 第三题

3.3.1 流程图

 3.3.2 代码

4.运行结果

4.1 第一题

4.2 第二题

4.3 第三题

5.结果评价

6.不足和改进之处

---

---

 1.任务要求

访问网址https://www.shanghairanking.cn/rankings，爬取排行榜数据，分析按区域的大学数量排行，得出有效结论。

1. 爬取主榜数据并保存在文件中。
2. 分析每个地区上榜大学的数量，保存在文件中。
3. 分析前十名的地区的大学数量，绘制柱状图。
4. 说明爬虫爬取过程中可能涉及到的社会、健康、安全、法律以及文化问题，并并评价和说明分析结果对于社会、健康、安全、法律以及文化的影响，符合道德和社会公共利益，理解应承担的责任。

    注：本题60分。

2.网络爬虫实现原理

3.系统设计与代码实现

3.1 第一题

3.1.1 最初设计方案：采用request+BeautifulSoup 方式

代码如下:

3.1.2 更改后的设计方案：采用request直接获取json格式的html信息。

1. 从网络上获取大学排名网页内容 getHTMLText()，先进行UA伪装，随后用requests库爬取获取网页编码。

 最后遍历将将内容存储到ulist列表中。

.利用数据结构将结果储存到文件之中WriteToFile()，利用DataFrame存储为.xlsx文件

3.2 第二题

3.2.1 流程图

 3.2.1 代码

import pandas as pd
from matplotlib import pyplot as plt
import numpy as np

# （2）分析每个地区上榜大学的数量，保存在文件中。

ranking = pd.read_excel('E:\\学习\\代码\\Python_homework\\期末课程设计\\experiment2\\ranking.xlsx')

r_group = ranking.groupby(['省市'])

r = r_group.size().reset_index()
new_col = ['province', 'count']
r.columns = new_col
# print(r)

df = r.sort_values(by='count', ascending=False)
df.to_excel('E:\\学习\\代码\\Python_homework\\期末课程设计\\experiment2\\regionalRanking.xlsx')

3.3 第三题

3.3.1 流程图

 3.3.2 代码

# （3）分析前十名的地区的大学数量，绘制柱状图。

df1 = pd.read_excel('E:\\学习\\代码\\Python_homework\\期末课程设计\\experiment2\\regionalRanking.xlsx')

# 正确显示中文和负号
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 设置x和y轴的值
x = df1['province'][0:10]
y = df1['count'][0:10]
# 绘制柱状图
p = plt.bar(x, y)
# 设置标签值
plt.bar_label(p, label_type='edge')
# 标题名
plt.title('上榜大学排名前十的省份')
# x轴标签名
plt.xlabel('省份')
# y轴标签名
plt.ylabel('数量')
# 显示柱状图
plt.show()

4.运行结果

4.1 第一题

4.2 第二题

4.3 第三题

 

由得出的柱状图可以得出，高校数量排行前十名的省份，其中绝大多数是人口和经济大省，除了北京作为我国的首都，但是他是我国的政治和文化中心，这就很正常了。

5.结果评价

6.不足和改进之处