Python爬虫之爬取2020女团选秀数据

Python爬虫之爬取2020女团选秀数据

一、先看结果

1.1创造营2020撑腰榜前三甲

创造营2020撑腰榜前三名分别是 希林娜依高、陈卓璇 、郑乃馨

>>>df1[df1['排名']<=3 ][['排名','姓名','身高','体重','生日','出生地']]

排名 姓名 身高 体重 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 陈卓璇 168.0 42.0 1997年08月13日 贵州

2 3.0 郑乃馨 NaN NaN 1997年06月25日 泰国

1.2青春有你2当前官方榜前三甲

青春有你2官方榜(35进20)前三名分别是 刘雨昕、虞书欣、喻言

>>>df2[df2['排名']<=3 ][['排名','姓名','身高','体重','生日','出生地']]

排名 姓名 身高 体重 生日 出生地

107 1.0 刘雨昕 168.0 48.0 1997年04月20日 贵阳

117 2.0 虞书欣 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++男女视角颜值最高

1.3.1女性视角颜值第一名

得分95.23，来自《创造营2020》的黄若元（已经告别舞台）

>>>df.sort_values(by = 'face++女性眼中颜值',ascending = False).head(1)[['face++女性眼中颜值','姓名','来源','身高','体重','生日','出生地']]

face++女性眼中颜值 姓名 来源 身高 体重 生日 出生地

95 95.23 黄若元 创造营2020 NaN NaN 1996-03-01 NaN

1.3.2男性视角颜值第一名

得分93.773，来自《创造营2020》的孙珍妮（目前位列撑腰榜第19）

>>>df.sort_values(by = 'face++男性眼中颜值',ascending = False).head(1)[['face++男性眼中颜值','姓名','来源','身高','体重','生日','出生地']]

face++男性眼中颜值 姓名 来源 身高 体重 生日 出生地

18 93.773 孙珍妮 创造营2020 165.0 NaN 2000-05-05 上海

1.4小姐姐们籍贯分布（pyecharts作图）

创造营2020的小姐姐有籍贯记录的41位中，来自四川的有7位，江西、浙江、湖南和湖北的各3位

青春有你2小姐姐来自最多的省市分别是北京、台湾 各9名，重庆、成都各6名

二、再看下统计分析

以下是整体数据部分截图（Spyder变量查看器）

因为整合的信息较多，共17个字段，我们在做分 数据指标 统分的时候只需要用到部分即可。

在做统计分析时，这里核心就是一个 分组统计 （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 编号 210 non-null int64

2 姓名 210 non-null object

3 照片 210 non-null object

4 状态 210 non-null object

5 粉丝数 101 non-null object

6 星座 168 non-null object

7 身高 137 non-null float64

8 体重 120 non-null float64

9 出生地 149 non-null object

10 生日 160 non-null object

11 AI预测年龄 210 non-null int64

12 AI颜值评分 210 non-null int64

13 face++AI预测年龄 210 non-null int64

14 face++女性眼中颜值 210 non-null float64

15 face++男性眼中颜值 210 non-null float64

16 来源 210 non-null object

dtypes: float64(5), int64(4), object(8)

memory usage: 28.0+ KB

2.1小姐姐出生地分布

《创造营2020》小姐姐官方信息数据中，出生地只有41/101个，且多以省为标尺，我们统计结果如下：

>>>pro = df1.groupby('出生地')['编号'].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》小姐姐官方数据比较全，出生地有108/109，且多以市为标尺，我们统计结果如下：

>>>city = df2.groupby('出生地')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()

>>>city.head()

出生地 count

0 北京 9

1 台湾 9

2 重庆 6

3 成都 6

4 上海 5

2.2小姐姐的出生年份分布

出生年份我们合并数据做统一处理吧，一共有160/210份数据，我们统计结果如下：

>>>year = df.groupby('year')['编号'].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小姐姐星座分布

星座分布我们合并数据做统一处理吧，一共有168/210份数据，我们统计结果如下：

>>>conste = df.groupby('星座')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()

>>>conste

星座 count

0 狮子座 23

1 天秤座 19

2 摩羯座 19

3 白羊座 16

4 双子座 14

5 射手座 13

6 金牛座 13

7 双鱼座 11

8 天蝎座 11

9 巨蟹座 11

10 水瓶座 10

11 处女座 8

2.4小姐姐身高分布

身高分布我们合并数据做统一处理吧，一共有137/210份数据，我们统计结果如下：

>>>height = df.groupby('身高')['编号'].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

身高这种属性，咱们还可以做简单的描述统计分析如下：

(可以看到，最高175cm，最低158cm，平均167.12cm，中位数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小姐姐体重分布

体重分布我们合并数据做统一处理吧，一共有120/210份数据，我们统计结果如下：

>>>weight = df.groupby('体重')['编号'].count().to_frame('count').sort_values(by = 'count',ascending = False).reset_index()

>>>weight.head()

体重 count

0 48.0 20

1 46.0 15

2 50.0 13

3 47.0 13

4 49.0 12

身高这种属性，咱们还可以做简单的描述统计分析如下：

(可以看到，最高87kg???，最低40kg，平均48kg，中位数48kg)

>>>df['体重'].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: 体重, dtype: float64

赶快查一下这个87KG的妹子是谁，看了下照片，感觉是官网数据填错了吧，应该47kg或者87斤？才对吧，算了不改了~

>>>df[df['体重']==87][['编号','姓名','来源']]

编号 姓名 来源

170 540476547 孙美楠 青春有你2

2.6小姐姐颜值分布

因为腾讯云ai评分，过百的就有40来个，咱们还是用Face++吧

颜值评分这个因为是精确到了小数点后3位，所以咱们在做统分的时候，更适合先进行分箱操作

2.6.1女性角度颜值评分

先看描述统计分析结果：

(可以看到，最高95.23，最低65.596，平均83.742，中位数84.837)

>>>df['face++女性眼中颜值'].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++女性眼中颜值, dtype: float64

颜值按照60-100每10分一个档位，我们统计结果如下：

90分以上颜值居然高达16位~

>>>beauty_bins = [60,70,80,90,100]

>>>beauty_labels = ['60-70', '70-80', '80-90', '90-100']

>>>df['face++女-颜值区间'] = pd.cut(df['face++女性眼中颜值'], bins=beauty_bins, labels=beauty_labels)

>>>df['face++女-颜值区间'].value_counts()

80-90 155

70-80 34

90-100 16

60-70 5

Name: face++女-颜值区间, dtype: int64

2.6.2男性角度颜值评分

先看描述统计分析结果：

(可以看到，最高93.77，最低66.404，平均82.606，中位数83.482)

>>>df['face++男性眼中颜值'].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++男性眼中颜值, dtype: float64

颜值按照60-100每10分一个档位，我们统计结果如下：

90分以上颜值居然只有6位~【难道男性对颜值的要求更高？？？】

>>>df['face++男-颜值区间'].value_counts()

80-90 147

70-80 52

90-100 6

60-70 5

Name: face++男-颜值区间, dtype: int64

三、载入需要的库

import requests

from fake_useragent import UserAgent

import pandas as pd

import json

from lxml import etree

3.1使用requests+json获取小姐姐列表

通过F12在开发者界面Network—>XHR中我们可以发现真实数据请求地址（见Headers里的General），以及请求响应的数据格式 是 json。

参数可以在Headers里的Query String Parameters 里找到

于是我们可以编写以下代码进行数据爬取

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,

#以下两个时间戳参数可以省略

'_t': 1590324974706,

'_': 1590324974708

}

#请求数据

re = requests.get(url,headers = headers,params = params)

#用json解析json数据成字典

data = json.loads(re.text)

http://

Li_list = data['data']['itemList']

rank = 0

data_list = []

#获取每个选手的基础信息

for li in Li_list:

rank += 1

item = {}

#获取基础信息

item['当前排名'] = rank

item['选手编号'] = li['itemInfo']['id']

item['选手姓名'] = li['itemInfo']['name']

item['选手照片'] = li['itemInfo']['mapData']['poster_pic']

item['选手状态'] = li['statusInfo']['voteBtnTxt']

#获取选手doki页，需要传递选手编号id信息用于循环请求

#根据选手编号id到选手doki页面获取粉丝数、星座、身高、生日等基础个人信息

#简单的静态页面，这里用到xpath做解析

id_ = item['选手编号']

#调用获取选手doki页数据的函数，具体见get_Girlinfo函数

html = get_Girlinfo(id_)

item['粉丝数'] = 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['体重'] = 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['选手照片']

#获取腾讯云AI颜值评分

age,beauty = txfaceScore(url_ai)

item['AI预测年龄'] = age

item['AI颜值评分'] = beauty

#获取face++颜值评分

faceage,beauty_w,beauty_m = ksfaceScore(url_ai)

item['face++AI预测年龄'] = faceage

item['face++女性眼中颜值'] = beauty_w

item['face++男性眼中颜值'] = beauty_m

data_list.append(item)

return data_list

3.2使用requests+xpath获取小姐姐基础信息

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)

#直接获取的数据中中文是乱码，我们转化一下编码格式即可

re_.encoding='utf-8'

#因本次爬虫我们解析网站源码用到的是xpath，所以需要处理一下

html = etree.HTML(re_.text)

#返回处理后的网站数据源码，在小姐姐列表中我们再行处理

return html

四、使用requests调用api接口获取小姐姐颜值评分

一开始我用的是腾讯云的人脸识别，跑完数据发现101个创造营小姐姐里有21个颜值得了满分，而我喜欢的一个小姐姐朱主爱居然得分最低，那怎么行。所以，本次我们新增了旷视的FACE++人脸识别做颜值评分对比。

4.1腾讯云人脸识别

腾讯云人脸识别需要使用到第三方库tencentcloud-sdk-python

pip install tencentcloud-sdk-python

在进行调用的时候，需要先加载有关包

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

#腾讯云人脸检测与分析

#检测给定图片中的人脸（Face）的位置、相应的面部属性和人脸质量信息

#位置包括 (x，y，w，h)

#面部属性包括性别（gender）、年龄（age）、表情（expression）、魅力（beauty）、眼镜（glass）、发型（hair）、口罩（mask）和姿态 (pitch，roll，yaw)

#人脸质量信息包括整体质量分（score）、模糊分（sharpness）、光照分（brightness）和五官遮挡分（completeness）

在第一次使用云 API 之前，用户首先需要在腾讯云控制台上申请安全凭证，安全凭证包括 SecretID 和 SecretKey, SecretID 是用于标识 API 调用者的身份，SecretKey 是用于加密签名字符串和服务器端验证签名字符串的密钥。SecretKey 必须严格保管，避免泄露。

由于我们只需要年龄和颜值评分，因此创建函数时只需要返回age和beauty两个字段即可。

def txfaceScore(url):

try:

# 实例化一个认证对象，入参需要传入腾讯云账户 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即我们需要做颜值评分的小姐姐照片所在网页地址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)

#返回的数据格式是json，所以在转化为字典后很简单就能找到你需要的数据

age = respdic['FaceInfos'][0]['FaceAttributesInfo']['Age']

beauty = respdic['FaceInfos'][0]['FaceAttributesInfo']['Beauty']

except TencentCloudSDKException as err:

print(err)

return age,beauty

4.2Face++人脸识别

接口调用很简单，设置好你需要的请求参数（这里我们选择年龄和颜值：age,beauty），由于Face++颜值评分分为男女视角下的颜值分两种，所以我们需要返回三个值：年龄、男/女视角颜值分。

具体函数见下方：

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)

#返回的数据格式是json，所以在转化为字典后很简单就能找到你需要的数据

age = dic_['faces'][0]['attributes']['age']['value']

beauty_w = dic_['faces'][0]['attributes']['beauty']['female_score']

beauty_m = dic_['faces'][oDJXKzo0]['attributes']['beauty']['male_score']

return age,beauty_w,beauty_m

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。