[[232744]]

粉絲獨白

高考已經(jīng)結(jié)束了，相信絕大部分同學(xué)都在放松自己了，畢竟壓抑了這么久。現(xiàn)在雖然距離高考放榜還有一段時間，可能有一些同學(xué)已經(jīng)迫不及待地想知道自己考的怎樣。因此，現(xiàn)在就來爬取高考網(wǎng)上的近幾年高考分?jǐn)?shù)線，看一下近幾年分?jǐn)?shù)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(wǎng)上，可以查看各省的分?jǐn)?shù)線，其中文理科都有2009-2017年的數(shù)據(jù)，所以可以直接爬取這些數(shù)據(jù)下來存到MongoDB中，然后再使用echarts進(jìn)行繪圖展示，從而可以更加直觀的看到高考分?jǐn)?shù)線的變化趨勢。

2.爬取數(shù)據(jù)

（1）獲取各省的分?jǐn)?shù)線信息

有兩種方法可以達(dá)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(guī)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(zhuǎn)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(qū)導(dǎo)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(shù)據(jù)庫  
       pro_link.append(href) 

（2）爬取分?jǐn)?shù)線

接下來就可以開始爬取分?jǐn)?shù)線了，通過審查元素(如下圖)，直接使用beautifulsoup來過濾內(nèi)容。 

# 獲取分?jǐn)?shù)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('h3.ft14')  
   category_list = []  
   for item in categories:  
       category_list.append(item.text.strip().replace(' ', ''))#替換空格  
   # 獲取分?jǐn)?shù)  
   tables = soup.select('h3 ~ 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?jǐn)?shù)  
               if 'class' not in k.attrs:  
                   score = k.text.strip()  
                   score_list.append(score)  
 
               # 獲取分?jǐn)?shù)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?jǐn)?shù)線類別  
                   'score_list': score_list#分?jǐn)?shù)列表  
               }  
           score_detail.insert_one(score_data)#插入數(shù)據(jù)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(shù)據(jù)了。看，多線程可牛逼了，叉會腰先。

4.數(shù)據(jù)可視化

爬取數(shù)據(jù)只是***步，接下來就要對數(shù)據(jù)進(jìn)行處理展示了。從mongodb 中查找出數(shù)據(jù)，對數(shù)據(jù)進(jìn)行清洗整理，由于我這里的pyecharts有點問題，所以使用echarts進(jìn)行展示。

1).篩選省份等信息

直接通過mongodb的find函數(shù)，限制查找的內(nèi)容。

import pymongo  
import charts  
client = pymongo.MongoClient('localhost', 27017)  
gaokao = client['gaokao']  
score_detail = gaokao['score_detail']  
 
# 篩選分?jǐn)?shù)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(shù)據(jù)的欄目  
       score_list = list(map(int, score_list))  
       score_list.reverse()  
       return score_list 

2).定義相關(guān)數(shù)據(jù) 

# 獲取文理科分?jǐn)?shù)  
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?jǐn)?shù)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?jǐn)?shù)線趨勢圖了。當(dāng)然，可以修改get_score的參數(shù)就可以的到其他省份的信息了。

5.預(yù)測分?jǐn)?shù)線 

通過折線圖，可以大概的預(yù)測2018年北京高考一本的分?jǐn)?shù)線：文科在550-560分之間；理科在530-540分之間。當(dāng)然，這只是預(yù)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?jǐn)?shù)線，這樣比較準(zhǔn)確，但是由于過程比較麻煩，所以這里只是目測而已。