Python如何爬取歷年高考分數線

本篇文章給大家分享的是有關Python如何爬取歷年高考分數線，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

粉絲獨白

高考已經結束了，相信絕大部分同學都在放松自己了，畢竟壓抑了這么久。現在雖然距離高考放榜還有一段時間，可能有一些同學已經迫不及待地想知道自己考的怎樣。因此，現在就來爬取高考網上的近幾年高考分數線，看一下近幾年分數線的變化趨勢，從而心里面有個底，這樣才能夠更加放松的去嗨皮。

使用的工具庫

• beautifulsoup

• mongodb

• echarts

1.總體思路

在高考網上，可以查看各省的分數線，其中文理科都有2009-2017年的數據，所以可以直接爬取這些數據下來存到MongoDB中，然后再使用echarts進行繪圖展示，從而可以更加直觀的看到高考分數線的變化趨勢。

2.爬取數據

（1）獲取各省的分數線信息

有兩種方法可以達到這個目的

1).通過拼接URL鏈接切換省份，可以得出鏈接的變化規律：只要替換省份的拼音上去就可以請求到：

http://www.gaokao.com/guangdong/fsx/ 

http://www.gaokao.com/shanghai/fsx/

推薦使用pypinyin模塊——漢字拼音轉換模塊/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，所以還需要處理一下才能使用。

>>> from pypinyin import lazy_pinyin  >>> lazy_pinyin('北京')  ['bei', 'jing']

2).通過獲取地區導航中的各省鏈接，直接得到URL：

獲取各省份的鏈接：

# 獲取省份及鏈接  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)#存入數據庫         pro_link.append(href)

（2）爬取分數線

接下來就可以開始爬取分數線了，通過審查元素(如下圖)，直接使用beautifulsoup來過濾內容。

# 獲取分數線  def get_score(url):     web_data = requests.get(url, headers=header)     soup = BeautifulSoup(web_data.content, 'lxml')     # 獲取省份信息     provice = soup.select('.col-nav span')[0].text[0:-5]     # 獲取文理科     categories = soup.select('h4.ft14')     category_list = []     for item in categories:         category_list.append(item.text.strip().replace(' ', ''))#替換空格     # 獲取分數     tables = soup.select('h4 ~ table')     for index, table in enumerate(tables):         tr = table.find_all('tr', attrs={'class': re.compile('^c_\S*')})#使用正則匹配         for j in tr:             td = j.select('td')             score_list = []             for k in td:                 # 獲取每年的分數                 if 'class' not in k.attrs:                     score = k.text.strip()                     score_list.append(score)                  # 獲取分數線類別                 elif 'class' in k.attrs:                     score_line = k.text.strip()                  score_data = {                     'provice': provice.strip(),#省份                     'category': category_list[index],#文理科分類                     'score_line': score_line,#分數線類別                     'score_list': score_list#分數列表                 }             score_detail.insert_one(score_data)#插入數據庫

3.開始爬取

由于有30多個省份，所以這里使用多線程來爬取，可以提高爬取效率。 

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])#使用多線程

使用多線程爬取的話，不用1分鐘就可以爬完所有的數據了。看，多線程可牛逼了，叉會腰先。

4.數據可視化

爬取數據只是***步，接下來就要對數據進行處理展示了。從mongodb 中查找出數據，對數據進行清洗整理，由于我這里的pyecharts有點問題，所以使用echarts進行展示。

1).篩選省份等信息

直接通過mongodb的find函數，限制查找的內容。

import pymongo  import charts  client = pymongo.MongoClient('localhost', 27017)  gaokao = client['gaokao']  score_detail = gaokao['score_detail']   # 篩選分數線、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('-')#去掉沒有數據的欄目         score_list = list(map(int, score_list))         score_list.reverse()         return score_list

2).定義相關數據

# 獲取文理科分數  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   # 定義年份  year = [2017,2016,2015,2014,2013,2012,2011,2010,2009]  year.reverse()

3).折線圖展示

series = [     {     'name': '文 科',    'data': wen,     'type': 'line'  }, {     'name': '理科',     'data': li,     'type': 'line',     'color':'#ff0066'  }          ]  options = {     'chart'   : {'zoomType':'xy'},     'title'   : {'text': '{}省{}分數線'.format(pro,line)},     'subtitle': {'text': 'Source: gaokao.com'},     'xAxis'   : {'categories': year},     'yAxis'   : {'title': {'text': 'score'}}     }   charts.plot(series, options=options,show='inline')

這樣就可以得到下面的歷年分數線趨勢圖了。當然，可以修改get_score的參數就可以的到其他省份的信息了。

5.預測分數線

通過折線圖，可以大概的預測2018年北京高考一本的分數線：文科在550-560分之間；理科在530-540分之間。當然，這只是預測的，如果有特殊情況的話，可能波動會比較大。另外，還可以通過拉格朗日插值法求出今年的分數線，這樣比較準確，但是由于過程比較麻煩，所以這里只是目測而已。

以上就是Python如何爬取歷年高考分數線，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。