用 Python 爬取「奔跑吧」全系列嘉宾名单,并进行可视化分析

Posted Python中文社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用 Python 爬取「奔跑吧」全系列嘉宾名单,并进行可视化分析相关的知识,希望对你有一定的参考价值。

今天分析『奔跑吧』全系列的嘉宾名单,分析每位嘉宾参加次数(可能有的嘉宾参加过几季),以及统计嘉宾职业类型个数,最后进行可视化展示分析。

1

网页分析

通过网上查询,知道『奔跑吧』到目前为止一共9季,先是奔跑吧兄弟1~4,到后面改名为奔跑吧1~4,以及奔跑吧黄河篇。

对应的网页链接如下:

url_list=[
    'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',
    'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',
    'https://baike.baidu.com/item/奔跑吧兄弟第三季',
    'https://baike.baidu.com/item/奔跑吧兄弟第四季',
    'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',
    'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',
    'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',
    'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',
    'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048'
]

1.分析网页结构

首先以奔跑吧第1季为例去分析网页结构(其他的链接网页结构一样)

咱们主要是爬取嘉宾姓名和明星类型(演员、歌手等)

本来想通过xpath解析网页方式去定位数据,但是发现定位不到,所以就采取了另外一种方式:字符串截取(其实正则re也可以,有很多种方式,只要能够解析出来即可,大家可以自由发挥)

截取前后分别是:分期嘉宾、表演嘉宾

2

获取数据

首先导入相应的库

import requests
from lxml import etree
import json
import time
import openpyxl

将9季的网页链接放到集合中url_list,同时定义name存放嘉宾名字,types是明星类型(歌手、演员等)

### 姓名
name = []
### 明星类型
types = []
url_list=[
    'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',
    'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',
    'https://baike.baidu.com/item/奔跑吧兄弟第三季',
    'https://baike.baidu.com/item/奔跑吧兄弟第四季',
    'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',
    'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',
    'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',
    'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',
    'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048'
]

开始请求数据

### 循环遍历
for u in url_list:
  url = u
  print(url)
  res = requests.get(url,headers=headers)
  res.encoding = 'utf-8'
  text = res.text
  sp1 = text.split("参与期数")[1].split("表演嘉宾")[0]
  selector = etree.html(sp1)
  tr_list = selector.xpath('.//tr')
  tr_list = tr_list[1:]
  ###名字
  for i in tr_list:
      #print(i.xpath(".//div[@class='para']/b/a/text()")[0])
      name.append(i.xpath(".//div[@class='para']/b/a/text()")[0])
  ### 明星类型
  for i in tr_list:
      te = i.xpath(".//div[@class='para']/text()")[0]
      te = te.split(",")[0].replace("(","")
      #print(te)
      types.append(te)
 
print(name)
print(types)
print(len(name))
print(len(types))

保存数据(excel)

outwb = openpyxl.Workbook()
outws = outwb.create_sheet(index=0)
outws.cell(row=1, column=1, value="名字")
outws.cell(row=1, column=2, value="明星类型")
for i in range(0,len(name)):
    outws.cell(row=i+2, column=1, value=str(name[i]))
    outws.cell(row=i+2, column=2, value=str(types[i]))
outwb_p.save("奔跑吧嘉宾名单-李运辰.xls")  # 保存

3

可视化分析

1.统计每一位嘉宾参加次数排名(取前15)

首先读取excel中数据,其中名字(第一列)存放在name变量中,明星类型(第二列)存放在types变量中。

data = pd.read_excel("奔跑吧嘉宾名单-李运辰.xls")
name = data['名字'].tolist()
types = data['明星类型'].tolist()

然后对name,嘉宾名字进行个数(参加过多少次)统计排名(取前15)

# 排序方法
from collections import Counter
# 排序
d = sorted(result.items(), key=lambda x: x[1], reverse=True)
name_key = [d[i][0] for i in range(0,16)]
value = [d[i][1] for i in range(0,16)]
print(name_key)
print(value)

进行可视化展示

导入相关的库

### 画图
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from pyecharts.charts import Bar
from pyecharts.charts import Pie

绘图代码

# 链式调用
    c = (
        Bar(
            init_opts=opts.InitOpts(  # 初始配置项
                theme=ThemeType.MACARONS,
                animation_opts=opts.AnimationOpts(
                    animation_delay=1000, animation_easing="cubicOut"  # 初始动画延迟和缓动效果
                ))
        )
            .add_xaxis(xaxis_data=name_key)  # x轴
            .add_yaxis(series_name="统计每一位嘉宾参加次数排名(取前15)", y_axis=values)  # y轴
            .set_global_opts(
            title_opts=opts.TitleOpts(title='', subtitle='',  # 标题配置和调整位置
                                      title_textstyle_opts=opts.TextStyleOpts(
                                          font_family='SimHei', font_size=25, font_weight='bold', color='red',
                                      ), pos_left="90%", pos_top="10",
                                      ),
            xaxis_opts=opts.AxisOpts(name='嘉宾', axislabel_opts=opts.LabelOpts(rotate=45)),
            # 设置x名称和Label rotate解决标签名字过长使用
            yaxis_opts=opts.AxisOpts(name='次数'),


        ).render("统计每一位嘉宾参加次数排名(取前15).html")
    )

从图中可以看到,参加奔跑吧节目最多的嘉宾是:林更新(3次),其他的最多的次数是两次。

2.嘉宾职业类型统计

从嘉宾(明星)类型中可以大概知道有这么几类(演员、歌手、主持人、模特、主持人、运动员、舞者、制片人、赛车手、经纪人)

开始统计以上这几种职业类型的个数

### 嘉宾职业类型
    name = ['演员','歌手','主持人','模特','主持人','运动员','舞者','制片人','赛车手','经纪人']
    ### 初始化为0
    value = [0,0,0,0,0,0,0,0,0,0]
    for i in types:
        for j in range(0,len(name)):
            if name[j] in i:
                value[j] = value[j] +1
    print(name)
    print(value)

开始绘图

pie = Pie("嘉宾职业类型统计",title_pos='center')
pie.add(
    "",
    name,
    value,
    radius=[40, 75],
    label_text_color=None,
    is_label_show=True,
    is_more_utils=True,
    legend_orient="vertical",
    legend_pos="left",
)
pie.render(path="嘉宾职业类型统计.html")

从统计图来看,嘉宾中职业最多的是演员,其次是歌手。

4

小结

今天分析『奔跑吧』全系列的嘉宾名单,分析每位嘉宾参加次数(可能有的嘉宾参加过几季),以及统计嘉宾职业类型个数,最后进行可视化展示分析。

更多阅读

用 Python 进行 OCR 图像识别

用 XGBoost 进行时间序列预测

5 分钟快速上手 pytest 测试框架

特别推荐


点击下方阅读原文加入社区会员

以上是关于用 Python 爬取「奔跑吧」全系列嘉宾名单,并进行可视化分析的主要内容,如果未能解决你的问题,请参考以下文章

Python 嘉宾列表问题

10.修改列表(3-6/3-7)

小米范工具系列之十四:小米范网站批量爬虫工具

Python爬虫之利用正则表达式爬取内涵吧

python系列34:用python爬取ajax请求

利用Python带领你爬取流浪地球评论,并写入数据库