这篇文章主要介绍Python爬虫之爬取2020女团选秀数据的示例分析，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
创造营2020撑腰榜前三名分别是 希林娜依·高、陈卓璇 、郑乃馨
>>>df1[df1['排名']<=3 ][['排名','姓名','身高','体重','生日','出生地']] 排名 姓名 身高 体重 生日 出生地 0 1.0 希林娜依·高 NaN NaN 1998年07月31日 新疆 1 2.0 陈卓璇 168.0 42.0 1997年08月13日 贵州 2 3.0 郑乃馨 NaN NaN 1997年06月25日 泰国
青春有你2官方榜(35进20)前三名分别是 刘雨昕、虞书欣、喻言
>>>df2[df2['排名']<=3 ][['排名','姓名','身高','体重','生日','出生地']] 排名 姓名 身高 体重 生日 出生地 107 1.0 刘雨昕 168.0 48.0 1997年04月20日 贵阳 117 2.0 虞书欣 169.0 50.0 1995年12月18日 上海 118 3.0 喻言 172.0 50.0 1997年05月26日 北京
得分95.23，来自《创造营2020》的黄若元（已经告别舞台）
>>>df.sort_values(by = 'face++女性眼中颜值',ascending = False).head(1)[['face++女性眼中颜值','姓名','来源','身高','体重','生日','出生地']] face++女性眼中颜值 姓名 来源 身高 体重 生日 出生地 95 95.23 黄若元 创造营2020 NaN NaN 1996-03-01 NaN
得分93.773，来自《创造营2020》的孙珍妮（目前位列撑腰榜第19）
>>>df.sort_values(by = 'face++男性眼中颜值',ascending = False).head(1)[['face++男性眼中颜值','姓名','来源','身高','体重','生日','出生地']] face++男性眼中颜值 姓名 来源 身高 体重 生日 出生地 18 93.773 孙珍妮 创造营2020 165.0 NaN 2000-05-05 上海
创造营2020的小姐姐有籍贯记录的41位中，来自四川的有7位，江西、浙江、湖南和湖北的各3位
青春有你2小姐姐来自最多的省市分别是北京、台湾 各9名，重庆、成都各6名
以下是整体数据部分截图（Spyder变量查看器）
因为整合的信息较多，共17个字段，我们在做分 数据指标 统分的时候只需要用到部分即可。
在做统计分析时，这里核心就是一个 分组统计 （df.groupby()）。
>>>df.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 210 entries, 0 to 209 Data columns (total 17 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 排名 136 non-null float64 1 编号 210 non-null int64 2 姓名 210 non-null object 3 照片 210 non-null object 4 状态 210 non-null object 5 粉丝数 101 non-null object 6 星座 168 non-null object 7 身高 137 non-null float64 8 体重 120 non-null float64 9 出生地 149 non-null object 10 生日 160 non-null object 11 AI预测年龄 210 non-null int64 12 AI颜值评分 210 non-null int64 13 face++AI预测年龄 210 non-null int64 14 face++女性眼中颜值 210 non-null float64 15 face++男性眼中颜值 210 non-null float64 16 来源 210 non-null object dtypes: float64(5), int64(4), object(8) memory usage: 28.0+ KB
《创造营2020》小姐姐官方信息数据中，出生地只有41/101个，且多以省为标尺，我们统计结果如下：
>>>pro = df1.groupby('出生地')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>pro.head()
出生地 count
0 四川 7
1 江西 3
2 浙江 3
3 湖南 3
4 湖北 3《青春有你2》小姐姐官方数据比较全，出生地有108/109，且多以市为标尺，我们统计结果如下：
>>>city = df2.groupby('出生地')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>city.head()
出生地 count
0 北京 9
1 台湾 9
2 重庆 6
3 成都 6
4 上海 5出生年份我们合并数据做统一处理吧，一共有160/210份数据，我们统计结果如下：
>>>year = df.groupby('year')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>year.head()
year count
0 1997.0 27
1 1995.0 25
2 1996.0 24
3 1998.0 20
4 1999.0 19星座分布我们合并数据做统一处理吧，一共有168/210份数据，我们统计结果如下：
>>>conste = df.groupby('星座')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>conste
星座 count
0 狮子座 23
1 天秤座 19
2 摩羯座 19
3 白羊座 16
4 双子座 14
5 射手座 13
6 金牛座 13
7 双鱼座 11
8 天蝎座 11
9 巨蟹座 11
10 水瓶座 10
11 处女座 8身高分布我们合并数据做统一处理吧，一共有137/210份数据，我们统计结果如下：
>>>height = df.groupby('身高')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>height
身高 count
0 168.0 27
1 170.0 11
2 165.0 11
3 166.0 11
4 163.0 10
5 167.0 9身高这种属性，咱们还可以做简单的描述统计分析如下：
(可以看到，最高175cm，最低158cm，平均167.12cm，中位数168cm)
>>>df['身高'].describe() count 137.000000 mean 167.124088 std 4.080883 min 158.000000 25% 165.000000 50% 168.000000 75% 170.000000 max 175.000000 Name: 身高, dtype: float64
体重分布我们合并数据做统一处理吧，一共有120/210份数据，我们统计结果如下：
>>>weight = df.groupby('体重')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>weight.head()
体重 count
0 48.0 20
1 46.0 15
2 50.0 13
3 47.0 13
4 49.0 12身高这种属性，咱们还可以做简单的描述统计分析如下：
(可以看到，最高87kg???，最低40kg，平均48kg，中位数48kg)
>>>df['体重'].describe() count 120.000000 mean 48.012500 std 5.081877 min 40.000000 25% 46.000000 50% 48.000000 75% 50.000000 max 87.000000 Name: 体重, dtype: float64
赶快查一下这个87KG的妹子是谁，看了下照片，感觉是官网数据填错了吧，应该47kg或者87斤？才对吧，算了不改了~
>>>df[df['体重']==87][['编号','姓名','来源']] 编号 姓名 来源 170 540476547 孙美楠 青春有你2
因为腾讯云ai评分，过百的就有40来个，咱们还是用Face++吧
颜值评分这个因为是精确到了小数点后3位，所以咱们在做统分的时候，更适合先进行分箱操作
先看描述统计分析结果：
(可以看到，最高95.23，最低65.596，平均83.742，中位数84.837)
>>>df['face++女性眼中颜值'].describe() count 210.000000 mean 83.742038 std 5.340208 min 65.596000 25% 81.028000 50% 84.837500 75% 87.449750 max 95.230000 Name: face++女性眼中颜值, dtype: float64
颜值按照60-100每10分一个档位，我们统计结果如下：
90分以上颜值居然高达16位~
>>>beauty_bins = [60,70,80,90,100] >>>beauty_labels = ['60-70', '70-80', '80-90', '90-100'] >>>df['face++女-颜值区间'] = pd.cut(df['face++女性眼中颜值'], bins=beauty_bins, labels=beauty_labels) >>>df['face++女-颜值区间'].value_counts() 80-90 155 70-80 34 90-100 16 60-70 5 Name: face++女-颜值区间, dtype: int64
先看描述统计分析结果：
(可以看到，最高93.77，最低66.404，平均82.606，中位数83.482)
>>>df['face++男性眼中颜值'].describe() count 210.000000 mean 82.605929 std 5.055116 min 66.404000 25% 79.699250 50% 83.482500 75% 86.409000 max 93.773000 Name: face++男性眼中颜值, dtype: float64
颜值按照60-100每10分一个档位，我们统计结果如下：
90分以上颜值居然只有6位~【难道男性对颜值的要求更高？？？】
>>>df['face++男-颜值区间'].value_counts() 80-90 147 70-80 52 90-100 6 60-70 5 Name: face++男-颜值区间, dtype: int64
import requests from fake_useragent import UserAgent import pandas as pd import json from lxml import etree
通过F12在开发者界面Network—>XHR中我们可以发现真实数据请求地址（见Headers里的General），以及请求响应的数据格式 是 json。
参数可以在Headers里的Query String Parameters 里找到
于是我们可以编写以下代码进行数据爬取
def get_Girllist():
url = 'https://zbaccess.video.qq.com/fcgi/getVoteActityRankList?'
headers = {"User-Agent": UserAgent(verify_ssl=False).random}
params = {'raw': 1,
'vappid': 51902973,
'vsecret': '14816bd3d3bb7c03d6fd123b47541a77d0c7ff859fb85f21',
'actityId': 107015,
'pageSize': 101,
'vplatform': 3,
'listFlag': 0,
'pageContext':'' ,
'ver': 1,
#以下两个时间戳参数可以省略
'_t': 1590324974706,
'_': 1590324974708
}
#请求数据
re = requests.get(url,headers = headers,params = params)
#用json解析json数据成字典
data = json.loads(re.text)
Li_list = data['data']['itemList']
rank = 0
data_list = []
#获取每个选手的基础信息
for li in Li_list:
rank += 1
item = {}
#获取基础信息
item['当前排名'] = rank
item['选手编号'] = li['itemInfo']['id']
item['选手姓名'] = li['itemInfo']['name']
item['选手照片'] = li['itemInfo']['mapData']['poster_pic']
item['选手状态'] = li['statusInfo']['voteBtnTxt']
#获取选手doki页，需要传递选手编号id信息用于循环请求
#根据选手编号id到选手doki页面获取粉丝数、星座、身高、生日等基础个人信息
#简单的静态页面，这里用到xpath做解析
id_ = item['选手编号']
#调用获取选手doki页数据的函数，具体见get_Girlinfo函数
html = get_Girlinfo(id_)
item['粉丝数'] = html.xpath('.//div[@class="followers_count"]/text()')[0]
info = html.xpath('.//div[@class="wiki_info_1"]//span[@class="content"]/text()')
item['星座'] = info[-5]
item['身高'] = info[-3]
item['体重'] = info[-2]
item['出生地'] = info[-1]
info2 = html.xpath('.//div[@class="wiki_info_2"]//span[@class="content"]/text()')
item['生日'] = info2[0]
url_ai = item['选手照片']
#获取腾讯云AI颜值评分
age,beauty = txfaceScore(url_ai)
item['AI预测年龄'] = age
item['AI颜值评分'] = beauty
#获取face++颜值评分
faceage,beauty_w,beauty_m = ksfaceScore(url_ai)
item['face++AI预测年龄'] = faceage
item['face++女性眼中颜值'] = beauty_w
item['face++男性眼中颜值'] = beauty_m
data_list.append(item)
return data_listdef get_Girlinfo(id_):
url_ = f'https://v.qq.com/x/star/{id_}?tabid=2'
headers = {"User-Agent": UserAgent(verify_ssl=False).random}
re_ = requests.get(url_,headers = headers)
#直接获取的数据中中文是乱码，我们转化一下编码格式即可
re_.encoding='utf-8'
#因本次爬虫我们解析网站源码用到的是xpath，所以需要处理一下
html = etree.HTML(re_.text)
#返回处理后的网站数据源码，在小姐姐列表中我们再行处理
return html一开始我用的是腾讯云的人脸识别，跑完数据发现101个创造营小姐姐里有21个颜值得了满分，而我喜欢的一个小姐姐朱主爱居然得分最低，那怎么行。所以，本次我们新增了旷视的FACE++人脸识别做颜值评分对比。
腾讯云人脸识别需要使用到第三方库tencentcloud-sdk-python
pip install tencentcloud-sdk-python
在进行调用的时候，需要先加载有关包
from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException from tencentcloud.iai.v20180301 import iai_client, models
#腾讯云人脸检测与分析
#检测给定图片中的人脸（Face）的位置、相应的面部属性和人脸质量信息
#位置包括 (x，y，w，h)
#面部属性包括性别（gender）、年龄（age）、表情（expression）、魅力（beauty）、眼镜（glass）、发型（hair）、口罩（mask）和姿态 (pitch，roll，yaw)
#人脸质量信息包括整体质量分（score）、模糊分（sharpness）、光照分（brightness）和五官遮挡分（completeness）
在第一次使用云 API 之前，用户首先需要在腾讯云控制台上申请安全凭证，安全凭证包括 SecretID 和 SecretKey, SecretID 是用于标识 API 调用者的身份，SecretKey 是用于加密签名字符串和服务器端验证签名字符串的密钥。SecretKey 必须严格保管，避免泄露。
由于我们只需要年龄和颜值评分，因此创建函数时只需要返回age和beauty两个字段即可。
def txfaceScore(url):
try:
# 实例化一个认证对象，入参需要传入腾讯云账户 secretId，secretKey
cred = credential.Credential("secretId", "secretKey")
httpProfile = HttpProfile()
httpProfile.endpoint = "iai.tencentcloudapi.com"
clientProfile = ClientProfile()
clientProfile.httpProfile = httpProfile
client = iai_client.IaiClient(cred, "ap-beijing", clientProfile)
req = models.DetectFaceRequest()
#url即我们需要做颜值评分的小姐姐照片所在网页地址url
param = {"Url":url,"NeedFaceAttributes":1}
params = json.dumps(param)
req.from_json_string(params)
resp = client.DetectFace(req)
respstr = resp.to_json_string().replace('false','0').replace('true','1')
respdic = eval(respstr)
#返回的数据格式是json，所以在转化为字典后很简单就能找到你需要的数据
age = respdic['FaceInfos'][0]['FaceAttributesInfo']['Age']
beauty = respdic['FaceInfos'][0]['FaceAttributesInfo']['Beauty']
except TencentCloudSDKException as err:
print(err)
return age,beauty接口调用很简单，设置好你需要的请求参数（这里我们选择年龄和颜值：age,beauty），由于Face++颜值评分分为男女视角下的颜值分两种，所以我们需要返回三个值：年龄、男/女视角颜值分。
具体函数见下方：
def ksfaceScore(pic_url):
url = 'https://api-cn.faceplusplus.com/facepp/v3/detect'
APIKey = '你的key'
APISecret = '你的secret'
data = {"api_key":APIKey,
"api_secret":APISecret,
"image_url":pic_url,
"return_attributes":"age,beauty"
}
res = requests.post(url,data = data)
dic_ = eval(res.text)
#返回的数据格式是json，所以在转化为字典后很简单就能找到你需要的数据
age = dic_['faces'][0]['attributes']['age']['value']
beauty_w = dic_['faces'][0]['attributes']['beauty']['female_score']
beauty_m = dic_['faces'][0]['attributes']['beauty']['male_score']
return age,beauty_w,beauty_m以上是“Python爬虫之爬取2020女团选秀数据的示例分析”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
