标签:相关 ranking web lxml star beautiful 世界排名 利用 实现
本来想参照:https://mp.weixin.qq.com/s/e7Wd7aEatcLFGgJUDkg-EQ搞一个往年编程语言动态图的,奈何找不到数据,有数据来源的欢迎在评论区留言。
这里找到了一个,是2020年6月的编程语言排行,供大家看一下:https://www.tiobe.com/tiobe-index/
我们要实现的效果是:
大学排名来源:http://www.zuihaodaxue.com/ARWU2003.html
部分截图:
在http://www.zuihaodaxue.com/ARWU2003.html中的年份可以选择,我们解析的页面就有了:
"http://www.zuihaodaxue.com/ARWU%s.html" % str(year)
初步获取页面的html信息的代码:
def get_one_page(year): try: headers = { ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36‘ } url = "http://www.zuihaodaxue.com/ARWU%s.html" % str(year) response=requests.get(url,headers=headers) if response.status_code == 200: return response.content except RequestException: print(‘爬取失败‘)
我们在页面上进行检查:
数据是存储在表格中的,这样我们就可以利用pandas获取html中的数据,基本语法:
tb = pd.read_html(url)[num]
其中的num是标识网页中的第几个表格,这里只有一个表格,所以标识为0。初步的解析代码就有了:
def parse_on_page(html,i): tb=pd.read_html(html)[0] return tb
我们还要将爬取下来的数据存储到csv文件中,基本代码如下:
def save_csv(tb): start_time=time.time() tb.to_csv(r‘university.csv‘, mode=‘a‘, encoding=‘utf_8_sig‘, header=True, index=0) endtime = time.time()-start_time print(‘程序运行了%.2f秒‘ %endtime)
最后是一个主函数,别忘了还有需要导入的包:
import requests from requests.exceptions import RequestException import pandas as pd import time def main(year): for i in range(2003,year): html=get_one_page(i) tb=parse_on_page(html,i) #print(tb) save_csv(tb) if __name__ == "__main__": main(2004)
运行之后,我们在同级目录下就可以看到university.csv,部分内容如下:
存在两个问题:
(1)缺少年份
(2)最后一列没有用
(3)国家由于是图片表示,没有爬取下来
(4)排名100以后的是一个区间
我们接下来一一解决:
(1)删掉没用的列
def parse_on_page(html,i): tb=pd.read_html(html)[0] # 重命名表格列,不需要的列用数字表示 tb.columns = [‘world rank‘,‘university‘, 2, ‘score‘,4] tb.drop([2,4],axis=1,inplace=True) return tb
新的结果:
(2) 对100以后的进行唯一化,增加一列index作为排名标识
tb[‘index_rank‘] = tb.index tb[‘index_rank‘] = tb[‘index_rank‘].astype(int) + 1
(3)新增加年份
tb[‘year‘] = i
(4)新增加国家
首先我们进行检查:
发现国家在td->a>img下的图像路径中有名字:UnitedStates。 我们可以取出src属性,并用正则匹配名字即可。
def get_country(html): soup = BeautifulSoup(html,‘lxml‘) countries = soup.select(‘td > a > img‘) lst = [] for i in countries: src = i[‘src‘] pattern = re.compile(‘flag.*\/(.*?).png‘) country = re.findall(pattern,src)[0] lst.append(country) return lst
然后这么使用:
# read_html没有爬取country,需定义函数单独爬取 tb[‘country‘] = get_country(html)
最终解析的整体函数如下:
def parse_on_page(html,i): tb=pd.read_html(html)[0] # 重命名表格列,不需要的列用数字表示 tb.columns = [‘world rank‘,‘university‘, 2, ‘score‘,4] tb.drop([2,4],axis=1,inplace=True) tb[‘index_rank‘] = tb.index tb[‘index_rank‘] = tb[‘index_rank‘].astype(int) + 1 tb[‘year‘] = i # read_html没有爬取country,需定义函数单独爬取 tb[‘country‘] = get_country(html) return tb
运行之后:
最后我们要提取属于中国部分的相关信息:
首先将年份改一下,获取到2019年为止的信息:
if __name__ == "__main__": main(2019)
然后我们提取到中国高校的信息,直接看代码理解:
def analysis(): df = pd.read_csv(‘university.csv‘) # 包含港澳台 # df = df.query("(country == ‘China‘)|(country == ‘China-hk‘)|(country == ‘China-tw‘)|(country == ‘China-HongKong‘)|(country == ‘China-Taiwan‘)|(country == ‘Taiwan,China‘)|(country == ‘HongKong,China‘)")[[‘university‘,‘year‘,‘index_rank‘]] # 只包括内地 df = df.query("(country == ‘China‘)") df[‘index_rank_score‘] = df[‘index_rank‘] # 将index_rank列转为整形 df[‘index_rank‘] = df[‘index_rank‘].astype(int) # 美国 # df = df.query("(country == ‘UnitedStates‘)|(country == ‘USA‘)") #求topn名 def topn(df): top = df.sort_values([‘year‘,‘index_rank‘],ascending = True) return top[:20].reset_index() df = df.groupby(by =[‘year‘]).apply(topn) # 更改列顺序 df = df[[‘university‘,‘index_rank_score‘,‘index_rank‘,‘year‘]] # 重命名列 df.rename (columns = {‘university‘:‘name‘,‘index_rank_score‘:‘type‘,‘index_rank‘:‘value‘,‘year‘:‘date‘},inplace = True) # 输出结果 df.to_csv(‘university_ranking.csv‘,mode =‘w‘,encoding=‘utf_8_sig‘, header=True, index=False) # index可以设置
本来是想爬取从2003年到2019年的,运行时发现从2005年开始,页面不一样了,多了一列:
方便起见,我们就只从2005年开始了,还需要修改一下代码:
# 重命名表格列,不需要的列用数字表示 tb.columns = [‘world rank‘,‘university‘, 2,3, ‘score‘,5] tb.drop([2,3,5],axis=1,inplace=True)
最后是整体代码:
import requests from requests.exceptions import RequestException import pandas as pd import time from bs4 import BeautifulSoup import re def get_one_page(year): try: headers = { ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36‘ } url = "http://www.zuihaodaxue.com/ARWU%s.html" % str(year) response=requests.get(url,headers=headers) if response.status_code == 200: return response.content except RequestException: print(‘爬取失败‘) def parse_on_page(html,i): tb=pd.read_html(html)[0] # 重命名表格列,不需要的列用数字表示 tb.columns = [‘world rank‘,‘university‘, 2,3, ‘score‘,5] tb.drop([2,3,5],axis=1,inplace=True) tb[‘index_rank‘] = tb.index tb[‘index_rank‘] = tb[‘index_rank‘].astype(int) + 1 tb[‘year‘] = i # read_html没有爬取country,需定义函数单独爬取 tb[‘country‘] = get_country(html) return tb def save_csv(tb): start_time=time.time() tb.to_csv(r‘university.csv‘, mode=‘a‘, encoding=‘utf_8_sig‘, header=True, index=0) endtime = time.time()-start_time print(‘程序运行了%.2f秒‘ %endtime) # 提取国家名称 def get_country(html): soup = BeautifulSoup(html,‘lxml‘) countries = soup.select(‘td > a > img‘) lst = [] for i in countries: src = i[‘src‘] pattern = re.compile(‘flag.*\/(.*?).png‘) country = re.findall(pattern,src)[0] lst.append(country) return lst def analysis(): df = pd.read_csv(‘university.csv‘) # 包含港澳台 # df = df.query("(country == ‘China‘)|(country == ‘China-hk‘)|(country == ‘China-tw‘)|(country == ‘China-HongKong‘)|(country == ‘China-Taiwan‘)|(country == ‘Taiwan,China‘)|(country == ‘HongKong,China‘)")[[‘university‘,‘year‘,‘index_rank‘]] # 只包括内地 df = df.query("(country == ‘China‘)") df[‘index_rank_score‘] = df[‘index_rank‘] # 将index_rank列转为整形 df[‘index_rank‘] = df[‘index_rank‘].astype(int) # 美国 # df = df.query("(country == ‘UnitedStates‘)|(country == ‘USA‘)") #求topn名 def topn(df): top = df.sort_values([‘year‘,‘index_rank‘],ascending = True) return top[:20].reset_index() df = df.groupby(by =[‘year‘]).apply(topn) # 更改列顺序 df = df[[‘university‘,‘index_rank_score‘,‘index_rank‘,‘year‘]] # 重命名列 df.rename (columns = {‘university‘:‘name‘,‘index_rank_score‘:‘type‘,‘index_rank‘:‘value‘,‘year‘:‘date‘},inplace = True) # 输出结果 df.to_csv(‘university_ranking.csv‘,mode =‘w‘,encoding=‘utf_8_sig‘, header=True, index=False) # index可以设置 def main(year): for i in range(2005,year): html=get_one_page(i) tb=parse_on_page(html,i) save_csv(tb) print(i,‘年排名提取完成完成‘) analysis() if __name__ == "__main__": main(2019)
运行之后会有一个university_ranking.csv,部分内容如下:
接下来就是可视化过程了。
1、 首先,到作者的github主页:
https://github.com/Jannchie/Historical-ranking-data-visualization-based-on-d3.js
2、克隆仓库文件,使用git
# 克隆项目仓库 git clone https://github.com/Jannchie/Historical-ranking-data-visualization-based-on-d3.js # 切换到项目根目录 cd Historical-ranking-data-visualization-based-on-d3.js # 安装依赖 npm install
这里如果git clone超时可参考:
https://www.cnblogs.com/xiximayou/p/12305209.html
需要注意的是,这里的npm是我之前装node.js装了的,没有的自己需要装以下。
在执行npm install时会报错:
先执行:
npm init
之后一直回车即可:
再执行npm install
任意浏览器打开bargraph.html
网页,点击选择文件,然后选择前面输出的university_ranking.csv
文件,看下效果:
只能制作动图上传了。
可以看到,有了大致的可视化效果,但还存在很多瑕疵,比如:表顺序颠倒了、字体不合适、配色太花哨等。可不可以修改呢?
当然是可以的,只需要分别修改文件夹中这几个文件的参数就可以了:
config.js 全局设置各项功能的开关,比如配色、字体、文字名称、反转图表等等功能;
color.css 修改柱形图的配色;
stylesheet.css 具体修改配色、字体、文字名称等的css样式;
visual.js 更进一步的修改,比如图表的透明度等。
知道在哪里修改了以后,那么,如何修改呢?很简单,只需要简单的几步就可以实现:
打开网页,右键-检查
,箭头指向想要修改的元素,然后在右侧的css样式表里,双击各项参数修改参数,修改完元素就会发生变化,可以不断微调,直至满意为止。
把参数复制到四个文件中对应的文件里并保存。
Git Bash运行npm run build
,之后刷新网页就可以看到优化后的效果。(我发现这一步其实不需要,而且会报错,我直接修改config.js之后运行也成功了)
这里我主要修改的是config.js的以下项:
// 倒序,使得最短的条位于最上方 reverse: true, // 附加信息内容。 // left label itemLabel: "本年度第一大学", // right label typeLabel: "世界排名", //为了避免名称重叠 item_x: 500, // 时间标签坐标。建议x:1000 y:-50开始尝试,默认位置为x:null,y:null dateLabel_x: 1000, dateLabel_y: -50,
最终效果:
至此,就全部完成了。
看起来简单,还是得要自己动手才行。
标签:相关 ranking web lxml star beautiful 世界排名 利用 实现
原文地址:https://www.cnblogs.com/xiximayou/p/13179488.html