python爬取高考各高校分数线_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:

ueqAz2.png

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:

7jiQJb.png

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:

A3QjYf.png

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:

RVvaQn.png

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:

2017

软件工程(嵌入式培养)

369

366

364

一批

理科

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')

# 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 = 40

sheet['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 = 1

for areapiont in areapionts:

column += 1

sheet.cell(column,1).value = areapiont.find('year').text

sheet.cell(column,2).value = areapiont.find('specialname').text

sheet.cell(column,3).value = areapiont.find('maxfs').text

sheet.cell(column,4).value = areapiont.find('varfs').text

sheet.cell(column,5).value = areapiont.find('minfs').text

sheet.cell(column,6).value = areapiont.find('pc').text

sheet.cell(column,7).value = areapiont.find('stype').text

wb.save('{}.xlsx'.format(school['schoolname']))

执行效果

$ python gkcx.py

Please 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

VjYzea.png

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。

如果觉得有用,欢迎关注我的微信,一起学习,共同进步,不定期推出赠书活动~

fURzya.png

原文链接:https://blog.csdn.net/weixin_39915605/article/details/110341339?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171949646416800225528642%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171949646416800225528642&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-23-110341339-null-null.nonecase&utm_term=2024%E9%AB%98%E8%80%83%E5%88%86%E6%95%B0%E7%BA%BF

© 版权声明
THE END
喜欢就支持一下吧
点赞6 分享