Python爬蟲之爬取2020女團選秀數據
一、先看結果
1.1創造營2020撐腰榜前三甲
創造營2020撐腰榜前三名分別是 希林娜依·高、陳卓璇 、鄭乃馨
>>>df1[df1['排名']<=3 ][['排名','姓名','身高','體重','生日','出生地']]
排名 姓名 身高 體重 生日 出生地
0 1.0 希林娜依·高 NaN NaN 1998年07月31日 新疆
1 2.0 陳卓璇 168.0 42.0 1997年08月13日 貴州
2 3.0 鄭乃馨 NaN NaN 1997年06月25日 泰國
1.2青春有你2當前官方榜前三甲
青春有你2官方榜(35進20)前三名分別是 劉雨昕、虞書欣、喻言
>>>df2[df2['排名']<=3 ][['排名','姓名','身高','體重','生日','出生地']]
排名 姓名 身高 體重 生日 出生地
107 1.0 劉雨昕 168.0 48.0 1997年04月20日 貴陽
117 2.0 虞書欣 169.0 50.0 1995年12月18日 上海
118 3.0 喻言 172.0 50.0 1997年05月26日 北京
1.3Face++男女視角顏值最高
1.3.1女性視角顏值第一名
得分95.23，來自《創造營2020》的黃若元（已經告別舞臺）
>>>df.sort_values(by = 'face++女性眼中顏值',ascending = False).head(1)[['face++女性眼中顏值','姓名','來源','身高','體重','生日','出生地']]
face++女性眼中顏值 姓名 來源 身高 體重 生日 出生地
95 95.23 黃若元 創造營2020 NaN NaN 1996-03-01 NaN
1.3.2男性視角顏值第一名
得分93.773，來自《創造營2020》的孫珍妮（目前位列撐腰榜第19）
>>>df.sort_values(by = 'face++男性眼中顏值',ascending = False).head(1)[['face++男性眼中顏值','姓名','來源','身高','體重','生日','出生地']]
face++男性眼中顏值 姓名 來源 身高 體重 生日 出生地
18 93.773 孫珍妮 創造營2020 165.0 NaN 2000-05-05 上海
1.4小姐姐們籍貫分佈（pyecharts作圖）
創造營2020的小姐姐有籍貫記錄的41位中，來自四川的有7位，江西、浙江、湖南和湖北的各3位
青春有你2小姐姐來自最多的省市分別是北京、臺灣 各9名，重慶、成都各6名
二、再看下統計分析
以下是整體數據部分截圖（Spyder變量查看器）
因為整合的信息較多，共17個字段，我們在做分 數據指標 統分的時候隻需要用到部分即可。
在做統計分析時，這裡核心就是一個 分組統計 （df.groupby()）。
>>>df.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 210 entries, 0 to 209 Data columns (total 17 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 排名 136 non-null float64 1 編號 210 non-null int64 2 姓名 210 non-null object 3 照片 210 non-null object 4 狀態 210 non-null object 5 粉絲數 101 non-null object 6 星座 168 non-null object 7 身高 137 non-null float64 8 體重 120 non-null float64 9 出生地 149 non-null object 10 生日 160 non-null object 11 AI預測年齡 210 non-null int64 12 AI顏值評分 210 non-null int64 13 face++AI預測年齡 210 non-null int64 14 face++女性眼中顏值 210 non-null float64 15 face++男性眼中顏值 210 non-null float64 16 來源 210 non-null object dtypes: float64(5), int64(4), object(8) memory usage: 28.0+ KB
2.1小姐姐出生地分佈
《創造營2020》小姐姐官方信息數據中，出生地隻有41/101個，且多以省為標尺，我們統計結果如下：
>>>pro = df1.groupby('出生地')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>pro.head()
出生地 count
0 四川 7
1 江西 3
2 浙江 3
3 湖南 3
4 湖北 3
《青春有你2》小姐姐官方數據比較全，出生地有108/109，且多以市為標尺，我們統計結果如下：
>>>city = df2.groupby('出生地')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>city.head()
出生地 count
0 北京 9
1 臺灣 9
2 重慶 6
3 成都 6
4 上海 5
2.2小姐姐的出生年份分佈
出生年份我們合並數據做統一處理吧，一共有160/210份數據，我們統計結果如下：
>>>year = df.groupby('year')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>year.head()
year count
0 1997.0 27
1 1995.0 25
2 1996.0 24
3 1998.0 20
4 1999.0 19
2.3小姐姐星座分佈
星座分佈我們合並數據做統一處理吧，一共有168/210份數據，我們統計結果如下：
>>>conste = df.groupby('星座')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>conste
星座 count
0 獅子座 23
1 天秤座 19
2 摩羯座 19
3 白羊座 16
4 雙子座 14
5 射手座 13
6 金牛座 13
7 雙魚座 11
8 天蠍座 11
9 巨蟹座 11
10 水瓶座 10
11 處女座 8
2.4小姐姐身高分佈
身高分佈我們合並數據做統一處理吧，一共有137/210份數據，我們統計結果如下：
>>>height = df.groupby('身高')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>height
身高 count
0 168.0 27
1 170.0 11
2 165.0 11
3 166.0 11
4 163.0 10
5 167.0 9
身高這種屬性，咱們還可以做簡單的描述統計分析如下：
(可以看到，最高175cm，最低158cm，平均167.12cm，中位數168cm)
>>>df['身高'].describe() count 137.000000 mean 167.124088 std 4.080883 min 158.000000 25% 165.000000 50% 168.000000 75% 170.000000 max 175.000000 Name: 身高, dtype: float64
2.5小姐姐體重分佈
體重分佈我們合並數據做統一處理吧，一共有120/210份數據，我們統計結果如下：
>>>weight = df.groupby('體重')['編號'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()
>>>weight.head()
體重 count
0 48.0 20
1 46.0 15
2 50.0 13
3 47.0 13
4 49.0 12
身高這種屬性，咱們還可以做簡單的描述統計分析如下：
(可以看到，最高87kg???，最低40kg，平均48kg，中位數48kg)
>>>df['體重'].describe() count 120.000000 mean 48.012500 std 5.081877 min 40.000000 25% 46.000000 50% 48.000000 75% 50.000000 max 87.000000 Name: 體重, dtype: float64
趕快查一下這個87KG的妹子是誰，看瞭下照片，感覺是官網數據填錯瞭吧，應該47kg或者87斤？才對吧，算瞭不改瞭~
>>>df[df['體重']==87][['編號','姓名','來源']]
編號 姓名 來源
170 540476547 孫美楠 青春有你2
2.6小姐姐顏值分佈
因為騰訊雲ai評分，過百的就有40來個，咱們還是用Face++吧
顏值評分這個因為是精確到瞭小數點後3位，所以咱們在做統分的時候，更適合先進行分箱操作
2.6.1女性角度顏值評分
先看描述統計分析結果：
(可以看到，最高95.23，最低65.596，平均83.742，中位數84.837)
>>>df['face++女性眼中顏值'].describe() count 210.000000 mean 83.742038 std 5.340208 min 65.596000 25% 81.028000 50% 84.837500 75% 87.449750 max 95.230000 Name: face++女性眼中顏值, dtype: float64
顏值按照60-100每10分一個檔位，我們統計結果如下：
90分以上顏值居然高達16位~
>>>beauty_bins = [60,70,80,90,100] >>>beauty_labels = ['60-70', '70-80', '80-90', '90-100'] >>>df['face++女-顏值區間'] = pd.cut(df['face++女性眼中顏值'], bins=beauty_bins, labels=beauty_labels) >>>df['face++女-顏值區間'].value_counts() 80-90 155 70-80 34 90-100 16 60-70 5 Name: face++女-顏值區間, dtype: int64
2.6.2男性角度顏值評分
先看描述統計分析結果：
(可以看到，最高93.77，最低66.404，平均82.606，中位數83.482)
>>>df['face++男性眼中顏值'].describe() count 210.000000 mean 82.605929 std 5.055116 min 66.404000 25% 79.699250 50% 83.482500 75% 86.409000 max 93.773000 Name: face++男性眼中顏值, dtype: float64
顏值按照60-100每10分一個檔位，我們統計結果如下：
90分以上顏值居然隻有6位~【難道男性對顏值的要求更高？？？】
>>>df['face++男-顏值區間'].value_counts() 80-90 147 70-80 52 90-100 6 60-70 5 Name: face++男-顏值區間, dtype: int64
三、載入需要的庫
import requests from fake_useragent import UserAgent import pandas as pd import json from lxml import etree
3.1使用requests+json獲取小姐姐列表
通過F12在開發者界面Network—>XHR中我們可以發現真實數據請求地址（見Headers裡的General），以及請求響應的數據格式 是 json。
參數可以在Headers裡的Query String Parameters 裡找到
於是我們可以編寫以下代碼進行數據爬取
def get_Girllist():
url = 'https://zbaccess.video.qq.com/fcgi/getVoteActityRankList?'
headers = {"User-Agent": UserAgent(verify_ssl=False).random}
params = {'raw': 1,
'vappid': 51902973,
'vsecret': '14816bd3d3bb7c03d6fd123b47541a77d0c7ff859fb85f21',
'actityId': 107015,
'pageSize': 101,
'vplatform': 3,
'listFlag': 0,
'pageContext':'' ,
'ver': 1,
#以下兩個時間戳參數可以省略
'_t': 1590324974706,
'_': 1590324974708
}
#請求數據
re = requests.get(url,headers = headers,params = params)
#用json解析json數據成字典
data = json.loads(re.text)
Li_list = data['data']['itemList']
rank = 0
data_list = []
#獲取每個選手的基礎信息
for li in Li_list:
rank += 1
item = {}
#獲取基礎信息
item['當前排名'] = rank
item['選手編號'] = li['itemInfo']['id']
item['選手姓名'] = li['itemInfo']['name']
item['選手照片'] = li['itemInfo']['mapData']['poster_pic']
item['選手狀態'] = li['statusInfo']['voteBtnTxt']
#獲取選手doki頁，需要傳遞選手編號id信息用於循環請求
#根據選手編號id到選手doki頁面獲取粉絲數、星座、身高、生日等基礎個人信息
#簡單的靜態頁面，這裡用到xpath做解析
id_ = item['選手編號']
#調用獲取選手doki頁數據的函數，具體見get_Girlinfo函數
html = get_Girlinfo(id_)
item['粉絲數'] = html.xpath('.//div[@class="followers_count"]/text()')[0]
info = html.xpath('.//div[@class="wiki_info_1"]//span[@class="content"]/text()')
item['星座'] = info[-5]
item['身高'] = info[-3]
item['體重'] = info[-2]
item['出生地'] = info[-1]
info2 = html.xpath('.//div[@class="wiki_info_2"]//span[@class="content"]/text()')
item['生日'] = info2[0]
url_ai = item['選手照片']
#獲取騰訊雲AI顏值評分
age,beauty = txfaceScore(url_ai)
item['AI預測年齡'] = age
item['AI顏值評分'] = beauty
#獲取face++顏值評分
faceage,beauty_w,beauty_m = ksfaceScore(url_ai)
item['face++AI預測年齡'] = faceage
item['face++女性眼中顏值'] = beauty_w
item['face++男性眼中顏值'] = beauty_m
data_list.append(item)
return data_list
3.2使用requests+xpath獲取小姐姐基礎信息
def get_Girlinfo(id_):
url_ = f'https://v.qq.com/x/star/{id_}?tabid=2'
headers = {"User-Agent": UserAgent(verify_ssl=False).random}
re_ = requests.get(url_,headers = headers)
#直接獲取的數據中中文是亂碼，我們轉化一下編碼格式即可
re_.encoding='utf-8'
#因本次爬蟲我們解析網站源碼用到的是xpath，所以需要處理一下
html = etree.HTML(re_.text)
#返回處理後的網站數據源碼，在小姐姐列表中我們再行處理
return html
四、使用requests調用api接口獲取小姐姐顏值評分
一開始我用的是騰訊雲的人臉識別，跑完數據發現101個創造營小姐姐裡有21個顏值得瞭滿分，而我喜歡的一個小姐姐朱主愛居然得分最低，那怎麼行。所以，本次我們新增瞭曠視的FACE++人臉識別做顏值評分對比。
4.1騰訊雲人臉識別
騰訊雲人臉識別需要使用到第三方庫tencentcloud-sdk-python
pip install tencentcloud-sdk-python
在進行調用的時候，需要先加載有關包
from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException from tencentcloud.iai.v20180301 import iai_client, models
#騰訊雲人臉檢測與分析
#檢測給定圖片中的人臉（Face）的位置、相應的面部屬性和人臉質量信息
#位置包括 (x，y，w，h)
#面部屬性包括性別（gender）、年齡（age）、表情（expression）、魅力（beauty）、眼鏡（glass）、發型（hair）、口罩（mask）和姿態 (pitch，roll，yaw)
#人臉質量信息包括整體質量分（score）、模糊分（sharpness）、光照分（brightness）和五官遮擋分（completeness）
在第一次使用雲 API 之前，用戶首先需要在騰訊雲控制臺上申請安全憑證，安全憑證包括 SecretID 和 SecretKey, SecretID 是用於標識 API 調用者的身份，SecretKey 是用於加密簽名字符串和服務器端驗證簽名字符串的密鑰。SecretKey 必須嚴格保管，避免泄露。
由於我們隻需要年齡和顏值評分，因此創建函數時隻需要返回age和beauty兩個字段即可。
def txfaceScore(url):
try:
# 實例化一個認證對象，入參需要傳入騰訊雲賬戶 secretId，secretKey
cred = credential.Credential("secretId", "secretKey")
httpProfile = HttpProfile()
httpProfile.endpoint = "iai.tencentcloudapi.com"
clientProfile = ClientProfile()
clientProfile.httpProfile = httpProfile
client = iai_client.IaiClient(cred, "ap-beijing", clientProfile)
req = models.DetectFaceRequest()
#url即我們需要做顏值評分的小姐姐照片所在網頁地址url
param = {"Url":url,"NeedFaceAttributes":1}
params = json.dumps(param)
req.from_json_string(params)
resp = client.DetectFace(req)
respstr = resp.to_json_string().replace('false','0').replace('true','1')
respdic = eval(respstr)
#返回的數據格式是json，所以在轉化為字典後很簡單就能找到你需要的數據
age = respdic['FaceInfos'][0]['FaceAttributesInfo']['Age']
beauty = respdic['FaceInfos'][0]['FaceAttributesInfo']['Beauty']
except TencentCloudSDKException as err:
print(err)
return age,beauty
4.2Face++人臉識別
接口調用很簡單，設置好你需要的請求參數（這裡我們選擇年齡和顏值：age,beauty），由於Face++顏值評分分為男女視角下的顏值分兩種，所以我們需要返回三個值：年齡、男/女視角顏值分。
具體函數見下方：
def ksfaceScore(pic_url):
url = 'https://api-cn.faceplusplus.com/facepp/v3/detect'
APIKey = '你的key'
APISecret = '你的secret'
data = {"api_key":APIKey,
"api_secret":APISecret,
"image_url":pic_url,
"return_attributes":"age,beauty"
}
res = requests.post(url,data = data)
dic_ = eval(res.text)
#返回的數據格式是json，所以在轉化為字典後很簡單就能找到你需要的數據
age = dic_['faces'][0]['attributes']['age']['value']
beauty_w = dic_['faces'][0]['attributes']['beauty']['female_score']
beauty_m = dic_['faces'][0]['attributes']['beauty']['male_score']
return age,beauty_w,beauty_m
到此這篇關於Python爬蟲之爬取2020女團選秀數據的文章就介紹到這瞭,更多相關python爬取女團內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！
推薦閱讀：
- None Found