爬取1907条『课程学习』数据,分析哪类学习资源最受大学生青睐

本文主要是介绍爬取1907条『课程学习』数据,分析哪类学习资源最受大学生青睐,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

01前言

上一篇文章以『B站』为实战案例!手把手教你掌握爬虫必备框架『Scrapy』利用了scrapy爬取B站数据。本文将在此基础上完善代码,爬起更多的内容并保存到csv。

总共爬取1907条『课程学习』数据,分析哪类学习资源最火热最受大学生群体青睐。并通过可视化的方式将结果进行展示!

02数据获取

程序是接着以『B站』为实战案例!手把手教你掌握爬虫必备框架『Scrapy』进行完善,所以不清楚的可以先看一下这篇文章(详细讲述Scrapy入门,并以『B站』为案例进行实战编程)

1.各个scrapy文件

items文件

class BiliItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()#pass# 视频标题title = scrapy.Field()# 链接url = scrapy.Field()# 观看量watchnum = scrapy.Field()# 弹幕数dm = scrapy.Field()# 上传时间uptime = scrapy.Field()# 作者upname = scrapy.Field()

增加了四个字段(观看量、弹幕数、上传时间、作者)

lyc文件

class LycSpider(scrapy.Spider):name = 'lyc'allowed_domains = ['bilibili.com']start_urls = ['https://search.bilibili.com/all?keyword=大学课程&page=40']# 爬取的方法def parse(self, response):item = BiliItem()# 匹配for jobs_primary in response.xpath('//*[@id="all-list"]/div[1]/ul/li'):item['title'] = (jobs_primary.xpath('./a/@title').extract())[0]item['url'] = (jobs_primary.xpath('./a/@href').extract())[0]item['watchnum'] = (jobs_primary.xpath('./div/div[3]/span[1]/text()').extract())[0].replace("\n", "").replace(" ", "")item['dm'] = (jobs_primary.xpath('./div/div[3]/span[2]/text()').extract())[0].replace("\n", "").replace(" ", "")item['uptime'] = (jobs_primary.xpath('./div/div[3]/span[3]/text()').extract())[0].replace("\n", "").replace(" ", "")item['upname'] = (jobs_primary.xpath('./div/div[3]/span[4]/a/text()').extract())[0]# 不能使用returnyield item# 获取当前页的链接url = response.request.url#page +1new_link = url[0:-1]+str(int(url[-1])+1)# 再次发送请求获取下一页数据yield scrapy.Request(new_link, callback=self.parse)

为新增的四个字段进行网页标签解析

pipelines文件

import csvclass BiliPipeline:def __init__(self):#打开文件,指定方式为写,利用第3个参数把csv写数据时产生的空行消除self.f = open("lyc大学课程.csv", "a", newline="")# 设置文件第一行的字段名,注意要跟spider传过来的字典key名称相同self.fieldnames = ["title", "url","watchnum","dm","uptime","upname"]# 指定文件的写入方式为csv字典写入,参数1为指定具体文件,参数2为指定字段名self.writer = csv.DictWriter(self.f, fieldnames=self.fieldnames)# 写入第一行字段名,因为只要写入一次,所以文件放在__init__里面self.writer.writeheader()def process_item(self, item, spider):# print("title:", item['title'][0])# print("url:", item['url'][0])# print("watchnum:", item['watchnum'][0].replace("\n","").replace(" ",""))# print("dm:", item['dm'][0].replace("\n", "").replace(" ", ""))# print("uptime:", item['uptime'][0].replace("\n", "").replace(" ", ""))# print("upname:", item['upname'][0])print("title:", item['title'])print("url:", item['url'])print("watchnum:", item['watchnum'])print("dm:", item['dm'])print("uptime:", item['uptime'])print("upname:", item['upname'])# 写入spider传过来的具体数值self.writer.writerow(item)# 写入完返回return itemdef close(self, spider):self.f.close()

将爬取的内容保存到csv文件(lyc大学课程.csv)

2.启动scrapy

scrapy crawl lyc

通过上述命令可以启动scrapy项目

3.爬取结果

一共爬取1914条数据,最后经过简单清洗最终可用数据1907条!

03数据分析

1.大学生学习视频播放量排名

读取数据

dataset  = pd.read_csv('Bili\\lyc大学课程.csv',encoding="gbk")
title = dataset['title'].tolist()
url = dataset['url'].tolist()
watchnum = dataset['watchnum'].tolist()
dm = dataset['dm'].tolist()
uptime = dataset['uptime'].tolist()
upname = dataset['upname'].tolist()

数据处理

#分析1:  & 分析2
def getdata1_2():watchnum_dict = {}dm_dict = {}for i in range(0, len(watchnum)):if "万" in watchnum[i]:watchnum[i] = int(float(watchnum[i].replace("万", "")) * 10000)else:watchnum[i] = int(watchnum[i])if "万" in dm[i]:dm[i] = int(float(dm[i].replace("万", "")) * 10000)else:dm[i] = int(dm[i])watchnum_dict[title[i]] = watchnum[i]dm_dict[title[i]] = dm[i]###从小到大排序watchnum_dict = sorted(watchnum_dict.items(), key=lambda kv: (kv[1], kv[0]))dm_dict = sorted(dm_dict.items(), key=lambda kv: (kv[1], kv[0]))#分析1:大学生学习视频播放量排名"analysis1(watchnum_dict,"大学生学习视频播放量排名")

数据可视化

def pie(name,value,picname,tips):c = (Pie().add("",[list(z) for z in zip(name, value)],# 饼图的中心(圆心)坐标,数组的第一项是横坐标,第二项是纵坐标# 默认设置成百分比,设置成百分比时第一项是相对于容器宽度,第二项是相对于容器高度center=["35%", "50%"],).set_colors(["blue", "green", "yellow", "red", "pink", "orange", "purple"])  # 设置颜色.set_global_opts(title_opts=opts.TitleOpts(title=""+str(tips)),legend_opts=opts.LegendOpts(type_="scroll", pos_left="70%", orient="vertical"),  # 调整图例位置).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).render(str(picname)+".html"))

分析

  1. 【片片】《人间课堂》播放量最高,播放量:202万。

  2. 在B站从大学课程的内容学习吸引人远不上一些课堂内容有趣的话题。

2.大学生学习视频弹幕量排名

数据处理

watchnum_dict = {}
dm_dict = {}
for i in range(0, len(watchnum)):if "万" in watchnum[i]:watchnum[i] = int(float(watchnum[i].replace("万", "")) * 10000)else:watchnum[i] = int(watchnum[i])if "万" in dm[i]:dm[i] = int(float(dm[i].replace("万", "")) * 10000)else:dm[i] = int(dm[i])watchnum_dict[title[i]] = watchnum[i]dm_dict[title[i]] = dm[i]###从小到大排序
watchnum_dict = sorted(watchnum_dict.items(), key=lambda kv: (kv[1], kv[0]))dm_dict = sorted(dm_dict.items(), key=lambda kv: (kv[1], kv[0]))
#分析2:大学生学习视频弹幕量排名
analysis1(dm_dict,"大学生学习视频弹幕量排名")

数据可视化

###饼状图
def pie(name,value,picname,tips):c = (Pie().add("",[list(z) for z in zip(name, value)],# 饼图的中心(圆心)坐标,数组的第一项是横坐标,第二项是纵坐标# 默认设置成百分比,设置成百分比时第一项是相对于容器宽度,第二项是相对于容器高度center=["35%", "50%"],).set_colors(["blue", "green", "yellow", "red", "pink", "orange", "purple"])  # 设置颜色.set_global_opts(title_opts=opts.TitleOpts(title=""+str(tips)),legend_opts=opts.LegendOpts(type_="scroll", pos_left="70%", orient="vertical"),  # 调整图例位置).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).render(str(picname)+".html"))

分析

  1. 在弹幕数排行中《数据结构与算法基础》最高,弹幕数:33000

  2. 通过弹幕量的排行来看,可以看到大家都喜欢在什么样的课堂视频上留言

  3. 与播放量对比,大学生喜欢在课堂内容学习视频上进行发言!

3.up主大学生学习视频视频数

数据处理

#分析3: up主大学生学习视频视频数
def getdata3():upname_dict = {}for key in upname:upname_dict[key] = upname_dict.get(key, 0) + 1###从小到大排序upname_dict = sorted(upname_dict.items(), key=lambda kv: (kv[1], kv[0]))itemNames = []datas = []for i in range(len(upname_dict) - 1, len(upname_dict) - 21, -1):itemNames.append(upname_dict[i][0])datas.append(upname_dict[i][1])#绘图bars(itemNames,datas)

数据可视化

###柱形图
def bars(name,dict_values):# 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)  # x轴.add_yaxis(series_name="up主昵称", yaxis_data=dict_values)  # y轴.set_global_opts(title_opts=opts.TitleOpts(title='李运辰', subtitle='up视频数',  # 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='up主昵称', 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='大学生学习视频视频数'),).render("up主大学生学习视频视频数.html"))

分析

  1. 在大学课程视频的up主中,up主视频中与大学课堂有关的视频数排行

  2. 在大学课程视频数排行中,视频数最多的是:小白在学习呢

4.大学课程名称词云化

数据处理

text = "".join(title)
with open("stopword.txt","r", encoding='UTF-8') as f:stopword = f.readlines()
for i in stopword:print(i)i = str(i).replace("\r\n","").replace("\r","").replace("\n","")text = text.replace(i, "")

数据可视化

word_list = jieba.cut(text)
result = " ".join(word_list)  # 分词用 隔开
# 制作中文云词
icon_name = 'fab fa-qq'
"""
# icon_name='',#国旗
# icon_name='fas fa-dragon',#翼龙
icon_name='fas fa-dog',#狗
# icon_name='fas fa-cat',#猫
# icon_name='fas fa-dove',#鸽子
# icon_name='fab fa-qq',#qq
"""
gen_stylecloud(text=result, icon_name=icon_name, font_path='simsun.ttc', output_name="大学课程名称词云化.png")  # 必须加中文字体,否则格式错误

分析

  1. 北京大学清华大学的课程为主,课程标题含有着两个大学的居多。

  2. 这些视频标题中大多数以:基础公开课课件考研大学物理等关键词。

04总结

1.通过Scrapy框架爬取1907条『B站』大学课程学习资源数据。

2.对数据进行可视化展示以及凝练精简分析。

3.可能数据还有更多未分析或者挖掘的信息,欢迎在下方留言,提出你宝贵的建议

4.本文数据和代码在下方,欢迎自取!!!

如果大家对本文代码源码感兴趣,扫码关注『Python爬虫数据分析挖掘』后台回复:大学课程分析 ,获取完整代码和数据。

------------- 推荐文章 -------------

1·以『B站』为实战案例!手把手教你掌握爬虫必备框架『Scrapy』


2.python爬取各类基金数据,以『动图可视化』方式展示基金的涨跌情况


3.python爬取『大年初一』热映电影,以『可视化及词云秀』方式带你了解热映电影


4.爬虫遇到反爬机制怎么办? 看看我是如何解决的!

这篇关于爬取1907条『课程学习』数据,分析哪类学习资源最受大学生青睐的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/189798

相关文章

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S