本文介紹如何利用requests+正則表達(dá)式爬取TIOBE編程語(yǔ)言熱度數(shù)據(jù)，并使用openpyxl寫入數(shù)據(jù)pyecharts時(shí)間輪播圖進(jìn)行可視化。
一、數(shù)據(jù)獲取
我們需要爬取的目標(biāo)url為https://www.tiobe.com/tiobe-index/打開(kāi)之后如下
分析網(wǎng)頁(yè)源代碼可以找到想要的數(shù)據(jù)，利用正則表達(dá)式提取出想要的數(shù)據(jù)，并保存到Excel中，便于后續(xù)數(shù)據(jù)處理和可視化。
完整爬蟲(chóng)代碼如下，其中大多數(shù)語(yǔ)句都給出了詳細(xì)注釋，感興趣的讀者可以進(jìn)一步研究。
# -*- coding: UTF-8 -*-
"""
@File ：spider.py
@Author ：葉庭云
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import requests
import re
import openpyxl
import logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1"
}
wb = openpyxl.Workbook() # 創(chuàng)建工作簿對(duì)象
sheet = wb.active # 獲取活動(dòng)的工作表
# 編程語(yǔ)言 時(shí)間 熱度
sheet.append(['Programing', 'Date', 'data_per'])
url = 'https://www.tiobe.com/tiobe-index/'
rep = requests.get(url, headers=headers).text
# 正則匹配提取數(shù)據(jù)
data = re.findall('{name : (.*?),data : (.*?)}', rep)
programing = [eval(k[0]) for k in data] # 編程語(yǔ)言
dates = [i[1] for i in data]
# 正則表達(dá)式處理 提取出想要的數(shù)據(jù)
for x in range(len(dates)):
name = programing[x]
datas = re.findall(r'\[Date.UTC(.*?)\]', dates[x], re.DOTALL)
for m in datas:
date1 = re.findall(r'\d+', m) # 正則提取出數(shù)字
date2 = '-'.join(date1[:3]) # 拼接得到時(shí)間
data_per = '.'.join(date1[-2:]) # 得到熱度數(shù)據(jù)
sheet.append([name, date2, data_per])
logging.info([name, date2, data_per])
wb.save('language_data.xlsx')
最終運(yùn)行效果如下：
可以看到成功提取出想要的數(shù)據(jù)，并保存到Excel，在jupyter notebook 環(huán)境中查看數(shù)據(jù)：
二、 數(shù)據(jù)可視化
本節(jié)使用pyecharts繪制時(shí)間輪播圖數(shù)據(jù)可視化，展示現(xiàn)在熱度排 Top10 的編程語(yǔ)言 2009-2019 年每年的平均熱度變化。
# -*- coding: UTF-8 -*-
"""
@File ：輪播圖.py
@Author ：葉庭云
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import pandas as pd
import xlrd
import pyecharts.options as opts
from pyecharts.charts import Timeline, Bar
from pyecharts.globals import CurrentConfig
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
# 提取編程語(yǔ)言名字
name = list(pd.read_excel('language_data.xlsx')['Programing'].drop_duplicates())
data = xlrd.open_workbook('language_data.xlsx')
table = data.sheets()[0]
dic1 = {k: [] for k in name}
# 各編程語(yǔ)言對(duì)應(yīng)每年里不同時(shí)間的熱度
for i in range(1, table.nrows):
x = table.row_values(i)
dic1[x[0]].append((x[1], x[2]))
# 與編程語(yǔ)言順序?qū)?yīng) 每年編程語(yǔ)言對(duì)應(yīng)的不同時(shí)間的熱度
data_per = {k: [[] for x in range(10)] for k in range(2001, 2021)}
print(data_per)
count = 0
for k, v in dic1.items():
for j in v: # v (時(shí)間，熱度) 熱度數(shù)據(jù)添加進(jìn)各年對(duì)應(yīng)的列表里
data_per[int(j[0][:4])][count].append(eval(j[1])) # 一年里各編程語(yǔ)言不同時(shí)間時(shí)的熱度 對(duì)應(yīng)起來(lái)
count += 1
# print(data_per)
data_per1 = {k: [] for k in list(data_per.keys())}
for k, v in list(data_per.items()):
for x in v:
if len(x) == 0: # 這一年里該語(yǔ)言沒(méi)有熱度數(shù)據(jù)
data_per1[k].append(0)
else:
avg = sum(x) / len(x)
data_per1[k].append(avg) # 這一年里的平均熱度
# 得到TOBIE現(xiàn)在排Top20的編程語(yǔ)言從2001年開(kāi)始每年的平均熱度
print(data_per1)
def get_year_overlap_chart(year) -> Bar:
sum_info = [(m, n) for m, n in zip(name, data_per1[year])]
# 編程語(yǔ)言按每年平均熱度排序
sum_info.sort(key=lambda z: z[1], reverse=True)
name_ = [m[0] for m in sum_info]
datas = [m[1] for m in sum_info]
# 每根柱子的顏色列表
colors = ['#00BFFF', '#0000CD', '#000000', '#008000', '#FF1493', '#FFD700', '#FF4500', '#00FA9A', '#191970',
'#9932CC']
x = []
for i in range(10):
x.append(
opts.BarItem(
name=name_[i],
value=datas[i],
itemstyle_opts=opts.ItemStyleOpts(color=colors[i]) # 設(shè)置每根柱子的顏色
)
)
# 繪制柱形圖
bar = Bar()
bar.add_xaxis(name_)
bar.add_yaxis(series_name='熱度', yaxis_data=x, is_selected=True,
label_opts=opts.LabelOpts(is_show=False))
bar.set_global_opts(title_opts=opts.TitleOpts(
title="2009-2019編程語(yǔ)言熱度"),
tooltip_opts=opts.TooltipOpts(
is_show=True, trigger="axis", axis_pointer_type="shadow"),
xaxis_opts=opts.AxisOpts(name='編程語(yǔ)言'), yaxis_opts=opts.AxisOpts(name='熱度'),
)
return bar
# 生成時(shí)間軸的圖
timeline = Timeline(init_opts=opts.InitOpts(width="1200px", height="600px"))
for y in range(2009, 2020):
timeline.add(get_year_overlap_chart(y), time_point=str(y))
timeline.add_schema(is_auto_play=True, play_interval=1000)
timeline.render("language_2009_2019.html")
運(yùn)行效果如下，可以看到雖然Python越來(lái)越火熱，但Java穩(wěn)坐編程語(yǔ)言熱度排行榜第一!(此處一位PHP程序員拍桌)
三、補(bǔ)充
本節(jié)對(duì)有時(shí)候pyecharts繪制的圖形渲染在網(wǎng)頁(yè)上無(wú)法加載js文件的問(wèn)題進(jìn)行說(shuō)明。
根據(jù)網(wǎng)站資源引用說(shuō)明：pyecharts 使用的所有靜態(tài)資源文件存放于pyecharts-assets項(xiàng)目中
默認(rèn)掛載在 https://assets.pyecharts.org/assets/，因?yàn)槟J(rèn)優(yōu)先從遠(yuǎn)程引用資源，這就導(dǎo)致有的時(shí)候無(wú)法加載 js 文件，圖表顯示不出來(lái)。
解決辦法：下載所需 js 文件到本地，修改資源引用地址，Github地址：https://github.com/pyecharts/pyecharts-assets看網(wǎng)站的介紹，pyecharts 提供了更改全局 HOST 的快捷方式。
from pyecharts.globals import CurrentConfig
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' # 本地保存 js 資源的路徑
