用 Python 爬取「奔跑吧」全系列嘉宾名单，并进行可视化分析-轻识

今天分析『奔跑吧』全系列的嘉宾名单，分析每位嘉宾参加次数（可能有的嘉宾参加过几季），以及统计嘉宾职业类型个数，最后进行可视化展示分析。

网页分析

通过网上查询，知道『奔跑吧』到目前为止一共9季，先是奔跑吧兄弟1~4，到后面改名为奔跑吧1~4，以及奔跑吧黄河篇。

对应的网页链接如下：

url_list=[    'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',    'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',    'https://baike.baidu.com/item/奔跑吧兄弟第三季',    'https://baike.baidu.com/item/奔跑吧兄弟第四季',    'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',    'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',    'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',    'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',    'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048']

1.分析网页结构

首先以奔跑吧第1季为例去分析网页结构（其他的链接网页结构一样）

咱们主要是爬取嘉宾姓名和明星类型（演员、歌手等）

本来想通过xpath解析网页方式去定位数据，但是发现定位不到，所以就采取了另外一种方式：字符串截取（其实正则re也可以，有很多种方式，只要能够解析出来即可，大家可以自由发挥）

截取前后分别是：分期嘉宾、表演嘉宾

获取数据

首先导入相应的库

import requestsfrom lxml import etreeimport jsonimport timeimport openpyxl

将9季的网页链接放到集合中url_list,同时定义name存放嘉宾名字，types是明星类型（歌手、演员等）

### 姓名name = []### 明星类型types = []url_list=[    'https://baike.baidu.com/item/奔跑吧兄弟第一季#4_2',    'https://baike.baidu.com/item/奔跑吧兄弟第二季/16414779',    'https://baike.baidu.com/item/奔跑吧兄弟第三季',    'https://baike.baidu.com/item/奔跑吧兄弟第四季',    'https://baike.baidu.com/item/奔跑吧第一季/20433390?fromtitle=奔跑吧第1季&fromid=22645259&fr=aladdin#4_2',    'https://baike.baidu.com/item/奔跑吧第二季/22421345?fromtitle=奔跑吧第2季&fromid=22645247&fr=aladdin#4_2',    'https://baike.baidu.com/item/奔跑吧第三季/23284990?fromtitle=奔跑吧第3季&fromid=23285732&fr=aladdin',    'https://baike.baidu.com/item/奔跑吧第四季/24701671?fromtitle=奔跑吧第4季&fromid=50003758&fr=aladdin',    'https://baike.baidu.com/item/奔跑吧·黄河篇/53052048']

开始请求数据

### 循环遍历for u in url_list:  url = u  print(url)  res = requests.get(url,headers=headers)  res.encoding = 'utf-8'  text = res.text  sp1 = text.split("参与期数")[1].split("表演嘉宾")[0]  selector = etree.HTML(sp1)  tr_list = selector.xpath('.//tr')  tr_list = tr_list[1:]  ###名字  for i in tr_list:      #print(i.xpath(".//div[@class='para']/b/a/text()")[0])      name.append(i.xpath(".//div[@class='para']/b/a/text()")[0])  ### 明星类型  for i in tr_list:      te = i.xpath(".//div[@class='para']/text()")[0]      te = te.split("，")[0].replace("（","")      #print(te)      types.append(te) print(name)print(types)print(len(name))print(len(types))

保存数据（excel）

outwb = openpyxl.Workbook()outws = outwb.create_sheet(index=0)outws.cell(row=1, column=1, value="名字")outws.cell(row=1, column=2, value="明星类型")for i in range(0,len(name)):    outws.cell(row=i+2, column=1, value=str(name[i]))    outws.cell(row=i+2, column=2, value=str(types[i]))outwb_p.save("奔跑吧嘉宾名单-李运辰.xls")  # 保存

可视化分析

1.统计每一位嘉宾参加次数排名（取前15）

首先读取excel中数据，其中名字（第一列）存放在name变量中，明星类型（第二列）存放在types变量中。

data = pd.read_excel("奔跑吧嘉宾名单-李运辰.xls")name = data['名字'].tolist()types = data['明星类型'].tolist()

然后对name，嘉宾名字进行个数（参加过多少次）统计排名（取前15）

# 排序方法from collections import Counter# 排序d = sorted(result.items(), key=lambda x: x[1], reverse=True)name_key = [d[i][0] for i in range(0,16)]value = [d[i][1] for i in range(0,16)]print(name_key)print(value)

进行可视化展示

导入相关的库

### 画图from pyecharts import options as optsfrom pyecharts.globals import ThemeTypefrom pyecharts.charts import Barfrom pyecharts.charts import Pie

绘图代码

# 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_key)  # x轴            .add_yaxis(series_name="统计每一位嘉宾参加次数排名（取前15）", y_axis=values)  # y轴            .set_global_opts(            title_opts=opts.TitleOpts(title='', subtitle='',  # 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='嘉宾', 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='次数'),
        ).render("统计每一位嘉宾参加次数排名（取前15）.html")    )

从图中可以看到，参加奔跑吧节目最多的嘉宾是：林更新（3次），其他的最多的次数是两次。

2.嘉宾职业类型统计

从嘉宾（明星）类型中可以大概知道有这么几类（演员、歌手、主持人、模特、主持人、运动员、舞者、制片人、赛车手、经纪人）

开始统计以上这几种职业类型的个数

### 嘉宾职业类型    name = ['演员','歌手','主持人','模特','主持人','运动员','舞者','制片人','赛车手','经纪人']    ### 初始化为0    value = [0,0,0,0,0,0,0,0,0,0]    for i in types:        for j in range(0,len(name)):            if name[j] in i:                value[j] = value[j] +1    print(name)    print(value)

开始绘图

pie = Pie("嘉宾职业类型统计",title_pos='center')pie.add(    "",    name,    value,    radius=[40, 75],    label_text_color=None,    is_label_show=True,    is_more_utils=True,    legend_orient="vertical",    legend_pos="left",)pie.render(path="嘉宾职业类型统计.html")

从统计图来看，嘉宾中职业最多的是演员，其次是歌手。

小结

更多阅读

用 Python 进行 OCR 图像识别

用 XGBoost 进行时间序列预测

5 分钟快速上手 pytest 测试框架

特别推荐

点击下方阅读原文加入社区会员