Python如何爬取历年高考分数线

本篇文章给大家分享的是有关Python如何爬取历年高考分数线，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

粉丝独白

高考已经结束了，相信绝大部分同学都在放松自己了，毕竟压抑了这么久。现在虽然距离高考放榜还有一段时间，可能有一些同学已经迫不及待地想知道自己考的怎样。因此，现在就来爬取高考网上的近几年高考分数线，看一下近几年分数线的变化趋势，从而心里面有个底，这样才能够更加放松的去嗨皮。

使用的工具库

• beautifulsoup

• mongodb

• echarts

1.总体思路

在高考网上，可以查看各省的分数线，其中文理科都有2009-2017年的数据，所以可以直接爬取这些数据下来存到MongoDB中，然后再使用echarts进行绘图展示，从而可以更加直观的看到高考分数线的变化趋势。

2.爬取数据

（1）获取各省的分数线信息

有两种方法可以达到这个目的

1).通过拼接URL链接切换省份，可以得出链接的变化规律：只要替换省份的拼音上去就可以请求到：

http://www.gaokao.com/guangdong/fsx/ 

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

推荐使用pypinyin模块——汉字拼音转换模块/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，所以还需要处理一下才能使用。

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

2).通过获取地区导航中的各省链接，直接得到URL：

获取各省份的链接：

# 获取省份及链接  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)#存入数据库         pro_link.append(href)

（2）爬取分数线

接下来就可以开始爬取分数线了，通过审查元素(如下图)，直接使用beautifulsoup来过滤内容。

# 获取分数线  def get_score(url):     web_data = requests.get(url, headers=header)     soup = BeautifulSoup(web_data.content, 'lxml')     # 获取省份信息     provice = soup.select('.col-nav span')[0].text[0:-5]     # 获取文理科     categories = soup.select('h4.ft14')     category_list = []     for item in categories:         category_list.append(item.text.strip().replace(' ', ''))#替换空格     # 获取分数     tables = soup.select('h4 ~ table')     for index, table in enumerate(tables):         tr = table.find_all('tr', attrs={'class': re.compile('^c_\S*')})#使用正则匹配         for j in tr:             td = j.select('td')             score_list = []             for k in td:                 # 获取每年的分数                 if 'class' not in k.attrs:                     score = k.text.strip()                     score_list.append(score)                  # 获取分数线类别                 elif 'class' in k.attrs:                     score_line = k.text.strip()                  score_data = {                     'provice': provice.strip(),#省份                     'category': category_list[index],#文理科分类                     'score_line': score_line,#分数线类别                     'score_list': score_list#分数列表                 }             score_detail.insert_one(score_data)#插入数据库

3.开始爬取

由于有30多个省份，所以这里使用多线程来爬取，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])#使用多线程

使用多线程爬取的话，不用1分钟就可以爬完所有的数据了。看，多线程可牛逼了，叉会腰先。

4.数据可视化

爬取数据只是***步，接下来就要对数据进行处理展示了。从mongodb 中查找出数据，对数据进行清洗整理，由于我这里的pyecharts有点问题，所以使用echarts进行展示。

1).筛选省份等信息

直接通过mongodb的find函数，限制查找的内容。

import pymongo  import charts  client = pymongo.MongoClient('localhost', 27017)  gaokao = client['gaokao']  score_detail = gaokao['score_detail']   # 筛选分数线、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('-')#去掉没有数据的栏目         score_list = list(map(int, score_list))         score_list.reverse()         return score_list

2).定义相关数据

# 获取文理科分数  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   # 定义年份  year = [2017,2016,2015,2014,2013,2012,2011,2010,2009]  year.reverse()

3).折线图展示

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

这样就可以得到下面的历年分数线趋势图了。当然，可以修改get_score的参数就可以的到其他省份的信息了。

5.预测分数线

通过折线图，可以大概的预测2018年北京高考一本的分数线：文科在550-560分之间；理科在530-540分之间。当然，这只是预测的，如果有特殊情况的话，可能波动会比较大。另外，还可以通过拉格朗日插值法求出今年的分数线，这样比较准确，但是由于过程比较麻烦，所以这里只是目测而已。

以上就是Python如何爬取历年高考分数线，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注亿速云行业资讯频道。