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，作为材料进行教学目录
[*]爬取主页面内容
[*]主页面内容提取
[*]需求数据爬取
[*]数据处理
[*]数据分析
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')# 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
页:
[1]