本文将对比《青春有你2》和《创造营2020》全体小姐姐，鉴于两个节目的数据采集和处理过程基本相似，在使用Python做数据爬虫采集的章节中将只以《创造营2020》为例做详细介绍。感兴趣的同学可以照猫画虎去实操一下《青春有你2》的数据爬虫采集，需要的朋友可以参考下
目录
一、先看结果
1.1创造营2020撑腰榜前三甲
1.2青春有你2当前官方榜前三甲
1.3Face++男女视角颜值最高
1.3.1女性视角颜值第一名
1.3.2男性视角颜值第一名
1.4小姐姐们籍贯分布（pyecharts作图）
二、再看下统计分析
2.1小姐姐出生地分布
2.2小姐姐的出生年份分布
2.3小姐姐星座分布
2.4小姐姐身高分布
2.5小姐姐体重分布
2.6小姐姐颜值分布
2.6.1女性角度颜值评分
2.6.2男性角度颜值评分
三、载入需要的库
3.1使用requests+json获取小姐姐列表
3.2使用requests+xpath获取小姐姐基础信息
4.2Face++人脸识别
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']
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']
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() 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
(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
(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
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
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) 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
#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'][0]['attributes']['beauty']['male_score'] return age,beauty_w,beauty_m
