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

2023-10-11 17:50
文章标签 分析 数据 学习 资源 大学生 爬取 课程 青睐 1907 哪类 最受

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. 以北京大学和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

C#提取PDF表单数据的实现流程

C#提取PDF表单数据的实现流程

《C#提取PDF表单数据的实现流程》PDF表单是一种常见的数据收集工具,广泛应用于调查问卷、业务合同等场景,凭借出色的跨平台兼容性和标准化特点,PDF表单在各行各业中得到了广泛应用,本文将探讨如何使用... 目录引言使用工具C# 提取多个PDF表单域的数据C# 提取特定PDF表单域的数据引言PDF表单是一
阅读更多...
一文详解Python中数据清洗与处理的常用方法

一文详解Python中数据清洗与处理的常用方法

《一文详解Python中数据清洗与处理的常用方法》在数据处理与分析过程中,缺失值、重复值、异常值等问题是常见的挑战,本文总结了多种数据清洗与处理方法,文中的示例代码简洁易懂,有需要的小伙伴可以参考下... 目录缺失值处理重复值处理异常值处理数据类型转换文本清洗数据分组统计数据分箱数据标准化在数据处理与分析过
阅读更多...
大数据小内存排序问题如何巧妙解决

大数据小内存排序问题如何巧妙解决

《大数据小内存排序问题如何巧妙解决》文章介绍了大数据小内存排序的三种方法：数据库排序、分治法和位图法,数据库排序简单但速度慢,对设备要求高；分治法高效但实现复杂；位图法可读性差,但存储空间受限... 目录三种方法：方法概要数据库排序（http://www.chinasem.cn对数据库设备要求较高）分治法（常
阅读更多...
Python将大量遥感数据的值缩放指定倍数的方法(推荐)

Python将大量遥感数据的值缩放指定倍数的方法(推荐)

《Python将大量遥感数据的值缩放指定倍数的方法(推荐)》本文介绍基于Python中的gdal模块,批量读取大量多波段遥感影像文件,分别对各波段数据加以数值处理,并将所得处理后数据保存为新的遥感影像... 本文介绍基于python中的gdal模块，批量读取大量多波段遥感影像文件，分别对各波段数据加以数值处
阅读更多...
使用MongoDB进行数据存储的操作流程

使用MongoDB进行数据存储的操作流程

《使用MongoDB进行数据存储的操作流程》在现代应用开发中,数据存储是一个至关重要的部分,随着数据量的增大和复杂性的增加,传统的关系型数据库有时难以应对高并发和大数据量的处理需求,MongoDB作为... 目录什么是MongoDB？MongoDB的优势使用MongoDB进行数据存储1. 安装MongoDB
阅读更多...
Python MySQL如何通过Binlog获取变更记录恢复数据

Python MySQL如何通过Binlog获取变更记录恢复数据

《PythonMySQL如何通过Binlog获取变更记录恢复数据》本文介绍了如何使用Python和pymysqlreplication库通过MySQL的二进制日志（Binlog）获取数据库的变更记录... 目录python mysql通过Binlog获取变更记录恢复数据1.安装pymysqlreplicat
阅读更多...
Linux使用dd命令来复制和转换数据的操作方法

Linux使用dd命令来复制和转换数据的操作方法

《Linux使用dd命令来复制和转换数据的操作方法》Linux中的dd命令是一个功能强大的数据复制和转换实用程序,它以较低级别运行,通常用于创建可启动的USB驱动器、克隆磁盘和生成随机数据等任务,本文... 目录简介功能和能力语法常用选项示例用法基础用法创建可启动www.chinasem.cn的 USB 驱动
阅读更多...
Oracle数据库使用 listagg去重删除重复数据的方法汇总

Oracle数据库使用 listagg去重删除重复数据的方法汇总

《Oracle数据库使用listagg去重删除重复数据的方法汇总》文章介绍了在Oracle数据库中使用LISTAGG和XMLAGG函数进行字符串聚合并去重的方法,包括去重聚合、使用XML解析和CLO... 目录案例表第一种：使用wm_concat() + distinct去重聚合第二种：使用listagg，
阅读更多...
Redis主从/哨兵机制原理分析

Redis主从/哨兵机制原理分析

《Redis主从/哨兵机制原理分析》本文介绍了Redis的主从复制和哨兵机制,主从复制实现了数据的热备份和负载均衡,而哨兵机制可以监控Redis集群,实现自动故障转移,哨兵机制通过监控、下线、选举和故... 目录一、主从复制1.1 什么是主从复制1.2 主从复制的作用1.3 主从复制原理1.3.1 全量复制
阅读更多...
Python实现将实体类列表数据导出到Excel文件

Python实现将实体类列表数据导出到Excel文件

《Python实现将实体类列表数据导出到Excel文件》在数据处理和报告生成中,将实体类的列表数据导出到Excel文件是一项常见任务,Python提供了多种库来实现这一目标,下面就来跟随小编一起学习一... 目录一、环境准备二、定义实体类三、创建实体类列表四、将实体类列表转换为DataFrame五、导出Da
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2