Python数据爬取处理可视化，手把手全流程教学
这篇博客中，选取openjudge网站上“百练”小组中的用户答题数据，作为材料进行教学
网站地址：http://bailian.openjudge.cn/
使用到的Python包：requests、pandas、re、BeautifulSoup、time、matplotlib、seaborn
爬取主页面内容
使用requests库，来请求主界面的内容
import requests # 导入requests库以便进行HTTP请求
# 定义目标URL，指向需要获取内容的网页
url = "http://bailian.openjudge.cn/"
# 发送GET请求到指定的URL，并将响应保存到response变量中
response = requests.get(url)
# 初始化一个变量，用于保存HTML内容，默认为None
html_context_save = None
# 检查HTTP响应的状态码，以确定请求是否成功
if response.status_code == 200:
# 如果状态码为200，表示请求成功
html_content = response.text # 获取响应的HTML内容
html_context_save = html_content # 保存HTML内容到变量
print(html_content) # 打印HTML内容以供查看
else:
# 如果状态码不为200，表示请求失败
print("failed to receive the context") # 输出失败信息
输出结果：拿到了主页面的HTML内容
主页面内容提取
F12进入控制台，在元素里找到“练习”，然后复制路径，得到
document.querySelector("#main > div.main-content > ul > li > h3 > a")，为我们所需要的子页面位置
提取子网页地址：
from bs4 import BeautifulSoup # 导入BeautifulSoup库用于解析HTML文档
# 使用 BeautifulSoup 库解析 HTML 内容，将其存储在 soup 变量中
soup = BeautifulSoup(html_context_save, 'html.parser') # 传入HTML内容和解析器类型
# 查找所有具有类名为 "current-contest label" 的HTML元素，并将结果存储在 contests 列表中
contests = soup.find_all(class_="current-contest label") # 返回一个符合条件的标签列表
import pandas as pd # 导入pandas库用于数据处理和存储
# 创建一个列表来保存未结束的比赛信息
data = []
# 遍历每个比赛上下文以获取比赛信息
for context in contests:
# 获取比赛标题，提取h3标签中的文本，并去除多余的空白符
h3_text = context.find('h3').get_text(strip=True)
# 查找h3标签下的锚标签(a)并提取其链接和文本
a_tag = context.find('a') # 查找第一个<a>标签
a_href = a_tag['href'] if a_tag else None # 若存在a_tag，提取其href属性
a_text = a_tag.get_text(strip=True) if a_tag else None # 若存在a_tag，提取其文本内容
# 将比赛信息添加到列表中，用字典格式存储标题和链接
data.append({
'标题': a_text, # 比赛标题
'链接': f"http://bailian.openjudge.cn{a_href}", # 完整链接，结合基础URL
})
# 将数据保存为DataFrame，以便于后续的操作和展示
df = pd.DataFrame(data)
# 输出DataFrame，显示所有未结束的比赛信息
print(df)
获得了子网页的地址：
需求数据爬取
进入子网页，点击“状态”，看到上方网站页面多出了“status/”内容，内部的内容为我们需要的数据，可以看到关云长，赵子龙等同学都在提交作业。
在这里我们提取前67页数据作为数据分析的素材。
爬取内容存放在openjudge_data.csv文件
import requests # 导入请求库，用于发送HTTP请求
from bs4 import BeautifulSoup # 导入BeautifulSoup库，用于解析HTML文档
import pandas as pd # 导入Pandas库，用于数据处理和保存
import time # 导入时间库，用于延迟请求
# 定义函数从指定的链接和页码获取数据
def fetch_data(contest_url, page_number):
try:
# 发送GET请求，并设置请求参数为页码
response = requests.get(contest_url, params={'page': page_number}, timeout=10)
response.raise_for_status() # 检查请求是否成功
return response.text # 返回页面的HTML文本
except Exception as e:
# 如果请求失败，输出错误信息
print(f"Error accessing {contest_url}?page={page_number}: {e}")
return None # 返回None表示获取数据失败
# 定义函数从HTML页面中解析所需的数据
def parse_page(html, row_title):
soup = BeautifulSoup(html, 'html.parser') # 解析HTML文档
problem_status_table = soup.find(id='problemStatus') # 找到状态表格
if not problem_status_table:
return [] # 如果没有找到表格，返回空列表
rows = problem_status_table.find_all('tr')[1:] # 获取所有表格行，跳过表头
status_data = [] # 用于保存当前页面的状态数据
for tr in rows: # 遍历每一行数据
# 提取每列的数据并去除多余空白
submit_user = tr.find('td', class_='submit-user').text.strip()
course_class = tr.find('td', class_='className').text.strip()
problem_title = tr.find('td', class_='title').text.strip()
result = tr.find('td', class_='result').text.strip()
memory = tr.find('td', class_='memory').text.strip()
spending_time = tr.find('td', class_='spending-time').text.strip()
code_length = tr.find('td', class_='code-length').text.strip()
language = tr.find('td', class_='language').text.strip()
# 提取提交时间的绝对和相对格式
date_element = tr.find('td', class_='date').find('abbr')
absolute_time = date_element['title'] if date_element and 'title' in date_element.attrs else None
relative_time = date_element.get_text(strip=True) if date_element else None
# 将每次提交的数据添加到列表中
status_data.append({
'提交人': submit_user,
'班级': course_class,
'题目': problem_title,
'结果': result,
'内存': memory,
'时间': spending_time,
'代码长度': code_length,
'语言': language,
'提交时间（相对）': relative_time,
'提交时间（绝对）': absolute_time,
'标题': row_title # 将标题信息也存入数据中
})
return status_data # 返回解析后数据的列表
# 用于存储所有抓取到的结果
all_status_data = []
# 假设 df 已经被定义，并包含所有比赛的链接和标题
for index, row in df.iterrows():
contest_url = row['链接'] + 'status/' # 生成当前比赛的状态页面链接
page_number = 1 # 初始化当前页码
previous_data = None # 存放上一次抓取的数据，用于比较
while page_number <= 500: # 设置页码限制为500
html = fetch_data(contest_url, page_number) # 获取当前页面的HTML内容
if html is None:
break # 如果获取失败，则退出循环
# 解析当前页面的数据
status_data = parse_page(html, row['标题'])
if not status_data:
break # 如果没有数据，说明已到最后一页，退出循环
# 检查当前页的数据是否与上一页相同
if previous_data is not None and status_data == previous_data:
print(f"第 {page_number} 页数据与之前相同，跳出循环。")
break # 如果数据相同，说明没有新数据，退出循环
all_status_data.extend(status_data) # 将当前内容添加到总的数据列表
print(f'爬取的结果（第 {page_number} 页）：{status_data}') # 输出当前页爬取的数据
previous_data = status_data # 更新最后获取的数据
# 控制请求速度，避免被目标网站封锁
time.sleep(0.1) # 每次请求后短暂延迟0.1秒
page_number += 1 # 页码自增1，准备抓取下一页
# 将抓取的数据转换为Pandas DataFrame，并保存为CSV文件
status_df = pd.DataFrame(all_status_data)
# 输出整个DataFrame以确认爬取结果
print("爬取完成，数据如下：")
print(status_df)
# 保存为CSV文件，设置不输出索引，编码为utf-8
status_df.to_csv('openjudge_data.csv', index=False, encoding='utf-8')
数据处理
读取文件：
import pandas as pd
df = pd.read_csv("openjudge_data.csv")
检查缺失值：
print(df.isnull().sum())
删去缺失值最多的列：
df.drop(columns=['班级'], inplace=True)
删除“时间”，“内存”，“代码长度”列为空值的行：
df.dropna(subset=['时间','内存','代码长度'], inplace=True)
数据类型转换：
# 确保'内存'列是字符串类型，并使用str.replace()方法去除字符串中的'kB'
# 然后，将处理后的字符串转换为浮点数类型
df['内存'] = df['内存'].astype(str) # 将'内存'列转换为字符串类型，以确保后续操作不会出错
df['内存'] = df['内存'].str.replace('kB', '', regex=False) # 去掉'kB'后缀
df['内存'] = df['内存'].astype(float) # 将字符串类型的'内存'转换为浮点数类型
# 确保'时间'列是字符串类型，并使用str.replace()方法去除字符串中的'ms'
# 然后，将处理后的字符串转换为浮点数类型
df['时间'] = df['时间'].astype(str) # 将'时间'列转换为字符串类型
df['时间'] = df['时间'].str.replace('ms', '', regex=False) # 去掉'ms'后缀
df['时间'] = df['时间'].astype(float) # 将字符串类型的'时间'转换为浮点数类型
# 确保'代码长度'列是字符串类型，并使用str.replace()方法去除字符串中的' B'
# 然后，将处理后的字符串转换为整数类型
df['代码长度'] = df['代码长度'].astype(str) # 将'代码长度'列转换为字符串类型
df['代码长度'] = df['代码长度'].str.replace(' B', '', regex=False) # 去掉' B'后缀
df['代码长度'] = df['代码长度'].astype(int) # 将字符串类型的'代码长度'转换为整数类型
# 显示处理后的DataFrame的前几行
df.head() # 通过head()方法查看DataFrame的前几行以验证处理效果
数据分析
统计总的提交状况：
print(df.groupby('结果').size())
查看“关云长”用户的提交情况：
# 将“关云长”提交的数据筛选出来
submissions = df[df['提交人'].str.contains("关云长")]
# 计算Accepted和Wrong Answer提交的数量
status_counts = submissions['结果'].value_counts()
# 打印各状态的提交数量
print("\n提交状态统计:")
print(status_counts)
# 统计每次提交的时间和所需内存与时间
submissions['内存'] = submissions['内存']
submissions['时间'] = submissions['时间']
# 计算平均内存和平均时间
average_memory = submissions['内存'].mean()
average_time = submissions['时间'].mean()
print(f"\n关云长的平均内存使用: {average_memory:.2f} kB")
print(f"关云长的平均运行时间: {average_time:.2f} ms")
数据可视化：
import matplotlib.pyplot as plt
import seaborn as sns
# 设置绘图风格
sns.set(style="whitegrid") # 设置背景风格为白色网格型
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置字体为 SimHei，用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 1. 提交状态的条形图
plt.figure(figsize=(8, 6)) # 设置图形的宽度和高度
sns.barplot(x=status_counts.index, y=status_counts.values, palette="viridis") # 绘制条形图
plt.title("关云长 提交状态统计") # 设置图表标题
plt.xlabel("结果") # 设置X轴标签
plt.ylabel("提交数量") # 设置Y轴标签
plt.xticks(rotation=45) # X轴标签旋转45度以避免重叠
plt.show() # 显示图表
# 2. 内存和时间的分布图
plt.figure(figsize=(12, 6)) # 设置整体图形的宽度和高度
# 内存分布
plt.subplot(1, 2, 1) # 创建一个1行2列的子图，选择第1个位置
sns.histplot(submissions['内存'], bins=10, kde=True, color='blue') # 绘制内存分布直方图
plt.title("关云长 提交内存分布") # 设置子图标题
plt.xlabel("内存 (kB)") # 设置X轴标签
plt.ylabel("提交数量") # 设置Y轴标签
# 时间分布
plt.subplot(1, 2, 2) # 选择第2个子图
sns.histplot(submissions['时间'], bins=10, kde=True, color='orange') # 绘制时间分布直方图
plt.title("关云长 提交时间分布") # 设置子图标题
plt.xlabel("时间 (ms)") # 设置X轴标签
plt.ylabel("提交数量") # 设置Y轴标签
plt.tight_layout() # 自适应调整子图间的间距以使图表更整齐
plt.show() # 显示整个图形
