Python 爬取高校历年分数线
最近一周一直在帮家里小弟看高考志愿,所以更新的没那么频繁了,请大家见谅。
在看各高校的往年分数时,忍不住手痒,想着能不能给它爬下来?哈哈,说干就干!
1 流程分析
之前无意中在这个网站发现有各个高校的历年录取分数线:https://gkcx.eol.cn。
我们的目标是用 Python 将下面页面的数据导出到 Excel:
这个页面的 URL 是:https://gkcx.eol.cn/schoolhtm...,显然是需要一个 school_id
拼接而成的,那么如何获取这个 school_id 呢?
除非想办法爬取到所有院校的 school_id,这里我想着是从上面图中的搜索框进入:
这样,整体的业务流程我们就理清楚了:
先调用搜索的 URL 获取到高校的 school_id,拼接到高校的详情访问地址
访问详情地址,抓取目标数据
处理目标数据,存储到 Excel 中
2 获取 school_id
按下 F12
,可以看出搜索调用的 URL 是:https://gkcx.eol.cn/soudaxue/queryschool.html?&keyWord1=南京邮电大学
,但是我们发现该请求的 response 里并没有高校列表,所以猜测这里是有二次数据请求获取到高校的列表,然后解析显示到页面的。
顺着请求流,我们看到了这么一个请求:
并且它的 response 刚好是一个包含高校信息的 json,到这里应该还是顺利的,我们只要从这个 json 里解析出我们想要的东西,然后继续后面的步骤就可以了。要注意该请求的 Referer
。
但是在解析这个 json 时会遇到一个小问题,返回的数据格式是这样的:
({"totalRecord": {"num": "2"},"school": [{"schoolid": "160","schoolname": "南京邮电大学",...});
它是被 ();
包围着的,不是一个合法的 json 数据,这里需要对其进行处理后才能解析 json:
# 返回数据包含 ();,需要特殊处理text = ((response.text).split(');',1)[0]).split('(',1)[1]j = json.loads(text)
3 分数线获取
学校的详情页面是:https://gkcx.eol.cn/schoolhtm...,同样的套路,在点击后 response 里并没有分数线数据,我想也是二次请求吧,果然在请求流里找到了这个:
这里的两个请求刚好将高校的每年分数线和各专业的分数线以 XML 的格式返回,Very Good!
下面要做的就是 XML 解析啦。
4 XML 解析
这里我们使用 xml.etree.ElementTree
来解析 XML:
<areapionts><areapiont><year>2017</year><specialname>软件工程(嵌入式培养)</specialname><maxfs>369</maxfs><varfs>366</varfs><minfs>364</minfs><pc>一批</pc><stype>理科</stype></areapiont>
由于数据比较规整,解析也很简单:
areapionts = ET.fromstring(response.text)for areapiont in areapionts:print(areapiont.find('year').text)print(areapiont.find('specialname').text)
5 Excel 写入
Excel 的写入需要借助于 openpyxl
模块。
openpyxl 简单使用示例
>>> import openpyxl>>> wb = openpyxl.Workbook()# 初始时会生成一个 sheet 页>>> wb.sheetnames['Sheet']# 创建 sheet 页>>> wb.create_sheet(index=0,title='First')<Worksheet "First"># 获取所有 sheet 页>>> wb.sheetnames['First', 'Sheet']# 删除 sheet 页>>> wb.remove(wb['Sheet'])>>> wb.sheetnames['First']>>> sheet = wb['First']# 设置单元格>>> sheet['A1'] = '省份'>>> sheet['B1'] = '学校'# 设置指定的单元格>>> sheet.cell(1,3).value='test'>>> wb.save('test.xlsx')
XML 解析写入 Excel
def gen_excel(school,xml,wb):sheet = wb.create_sheet(title='各专业历年录取分数线')sheet.column_dimensions['B'].width = 40sheet['A1'] = '年份'sheet['B1'] = '专业'sheet['C1'] = '最高分'sheet['D1'] = '平均分'sheet['E1'] = '最低分'sheet['F1'] = '批次'sheet['G1'] = '录取批次'areapionts = ET.fromstring(xml)column = 1for areapiont in areapionts:column += 1sheet.cell(column,1).value = areapiont.find('year').textsheet.cell(column,2).value = areapiont.find('specialname').textsheet.cell(column,3).value = areapiont.find('maxfs').textsheet.cell(column,4).value = areapiont.find('varfs').textsheet.cell(column,5).value = areapiont.find('minfs').textsheet.cell(column,6).value = areapiont.find('pc').textsheet.cell(column,7).value = areapiont.find('stype').textwb.save('{}.xlsx'.format(school['schoolname']))
执行效果
$ python gkcx.pyPlease the school name:南京邮电大学共检索到 2 个高校:['南京邮电大学', '南京邮电大学通达学院']数据获取完成,已下载到脚本目录
结果看着还可以,但是还是有问题的,因为各省的分数线肯定是不一样的,这里默认检索出的是学校所在省的分数线,因此若要获取在其他省的分数线,还需要进一步处理,有兴趣的同学不妨动手试一下。后台回复「高考」可以获取源码。