Python 爬取高校历年分数线
最近一周一直在帮家里小弟看高考志愿，所以更新的没那么频繁了，请大家见谅。
在看各高校的往年分数时，忍不住手痒，想着能不能给它爬下来？哈哈，说干就干！
1 流程分析
之前无意中在这个网站发现有各个高校的历年录取分数线：https://gkcx.eol.cn。
我们的目标是用 Python 将下面页面的数据导出到 Excel：
这个页面的 URL 是：https://gkcx.eol.cn/schoolhtm...，显然是需要一个 school_id 拼接而成的，那么如何获取这个 school_id 呢？
除非想办法爬取到所有院校的 school_id，这里我想着是从上面图中的搜索框进入：
这样，整体的业务流程我们就理清楚了：
- 先调用搜索的 URL 获取到高校的 school_id，拼接到高校的详情访问地址
- 访问详情地址，抓取目标数据
- 处理目标数据，存储到 Excel 中
2 获取 school_id
按下 F12，可以看出搜索调用的 URL 是：https://gkcx.eol.cn/soudaxue/queryschool.html?&keyWord1=南京邮电大学，但是我们发现该请求的 response 里并没有高校列表，所以猜测这里是有二次数据请求获取到高校的列表，然后解析显示到页面的。
顺着请求流，我们看到了这么一个请求：
并且它的 response 刚好是一个包含高校信息的 json，到这里应该还是顺利的，我们只要从这个 json 里解析出我们想要的东西，然后继续后面的步骤就可以了。要注意该请求的 Referer。
但是在解析这个 json 时会遇到一个小问题，返回的数据格式是这样的：
({
"totalRecord": {"num": "2"},
"school": [
{
"schoolid": "160",
"schoolname": "南京邮电大学",
...
});它是被 (); 包围着的，不是一个合法的 json 数据，这里需要对其进行处理后才能解析 json：
# 返回数据包含 ();，需要特殊处理
text = ((response.text).split(');',1)[0]).split('(',1)[1]
j = json.loads(text)3 分数线获取
学校的详情页面是：https://gkcx.eol.cn/schoolhtm...，同样的套路，在点击后 response 里并没有分数线数据，我想也是二次请求吧，果然在请求流里找到了这个：
这里的两个请求刚好将高校的每年分数线和各专业的分数线以 XML 的格式返回，Very Good！
下面要做的就是 XML 解析啦。
4 XML 解析
这里我们使用 xml.etree.ElementTree 来解析 XML：
<areapionts>
<areapiont>
<year>2017</year>
<specialname>软件工程（嵌入式培养）</specialname>
<maxfs>369</maxfs>
<varfs>366</varfs>
<minfs>364</minfs>
<pc>一批</pc>
<stype>理科</stype>
</areapiont>由于数据比较规整，解析也很简单：
areapionts = ET.fromstring(response.text)
for areapiont in areapionts:
print(areapiont.find('year').text)
print(areapiont.find('specialname').text)5 Excel 写入
Excel 的写入需要借助于 openpyxl 模块。
- openpyxl 简单使用示例
>>> import openpyxl
>>> wb = openpyxl.Workbook()
# 初始时会生成一个 sheet 页
>>> wb.sheetnames
['Sheet']
# 创建 sheet 页
>>> wb.create_sheet(index=0,title='First')
<Worksheet "First">
# 获取所有 sheet 页
>>> wb.sheetnames
['First', 'Sheet']
# 删除 sheet 页
>>> wb.remove(wb['Sheet'])
>>> wb.sheetnames
['First']
>>> sheet = wb['First']
# 设置单元格
>>> sheet['A1'] = '省份'
>>> sheet['B1'] = '学校'
# 设置指定的单元格
>>> sheet.cell(1,3).value='test'
>>> wb.save('test.xlsx')- XML 解析写入 Excel
def gen_excel(school,xml,wb):
sheet = wb.create_sheet(title='各专业历年录取分数线')
sheet.column_dimensions['B'].width = 40
sheet['A1'] = '年份'
sheet['B1'] = '专业'
sheet['C1'] = '最高分'
sheet['D1'] = '平均分'
sheet['E1'] = '最低分'
sheet['F1'] = '批次'
sheet['G1'] = '录取批次'
areapionts = ET.fromstring(xml)
column = 1
for areapiont in areapionts:
column += 1
sheet.cell(column,1).value = areapiont.find('year').text
sheet.cell(column,2).value = areapiont.find('specialname').text
sheet.cell(column,3).value = areapiont.find('maxfs').text
sheet.cell(column,4).value = areapiont.find('varfs').text
sheet.cell(column,5).value = areapiont.find('minfs').text
sheet.cell(column,6).value = areapiont.find('pc').text
sheet.cell(column,7).value = areapiont.find('stype').text
wb.save('{}.xlsx'.format(school['schoolname']))执行效果
$ python gkcx.py Please the school name：南京邮电大学 共检索到 2 个高校：['南京邮电大学', '南京邮电大学通达学院'] 数据获取完成，已下载到脚本目录
结果看着还可以，但是还是有问题的，因为各省的分数线肯定是不一样的，这里默认检索出的是学校所在省的分数线，因此若要获取在其他省的分数线，还需要进一步处理，有兴趣的同学不妨动手试一下。后台回复「高考」可以获取源码。
如果觉得有用，欢迎关注我的微信，一起学习，共同进步，不定期推出赠书活动~
