Python爬取近十年TIOBE编程语言热度数据并可视化

[[349825]]

一、数据获取

我们需要爬取的目标url为https://www.tiobe.com/tiobe-index/打开之后如下👇 

 

分析网页源代码可以找到想要的数据，利用正则表达式提取出想要的数据，并保存到Excel中，便于后续数据处理和可视化。 

 

完整爬虫代码如下，其中大多数语句都给出了详细注释，感兴趣的读者可以进一步研究。 

# -*- coding: UTF-8 -*- 
""" 
@File    ：spider.py 
@Author  ：叶庭云 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import requests 
import re 
import openpyxl 
import logging 
 
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s') 
headers = { 
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1" 
} 
 
wb = openpyxl.Workbook()    # 创建工作簿对象 
sheet = wb.active           # 获取活动的工作表 
# 编程语言   时间    热度 
sheet.append(['Programing', 'Date', 'data_per']) 
 
url = 'https://www.tiobe.com/tiobe-index/' 
rep = requests.get(url, headers=headers).text 
 
# 正则匹配提取数据 
data = re.findall('{name : (.*?),data : (.*?)}', rep) 
programing = [eval(k[0]) for k in data]     # 编程语言 
dates = [i[1] for i in data] 
 
# 正则表达式处理 提取出想要的数据 
for x in range(len(dates)): 
    name = programing[x] 
    datas = re.findall(r'\[Date.UTC(.*?)\]', dates[x], re.DOTALL) 
    for m in datas: 
        date1 = re.findall(r'\d+', m)       # 正则提取出数字 
        date2 = '-'.join(date1[:3])         # 拼接得到时间 
        data_per = '.'.join(date1[-2:])     # 得到热度数据 
        sheet.append([name, date2, data_per]) 
        logging.info([name, date2, data_per]) 
 
wb.save('language_data.xlsx') 

最终运行效果如下： 

 

可以看到成功提取出想要的数据，并保存到Excel，在jupyter notebook 环境中查看数据： 

 

 

二、 数据可视化

本节使用pyecharts绘制时间轮播图数据可视化，展示现在热度排 Top10 的编程语言 2009-2019 年每年的平均热度变化。 

# -*- coding: UTF-8 -*- 
""" 
@File    ：轮播图.py 
@Author  ：叶庭云 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
 
import pandas as pd 
import xlrd 
import pyecharts.options as opts 
from pyecharts.charts import Timeline, Bar 
from pyecharts.globals import CurrentConfig 
 
 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
 
# 提取编程语言名字 
name = list(pd.read_excel('language_data.xlsx')['Programing'].drop_duplicates()) 
 
data = xlrd.open_workbook('language_data.xlsx') 
table = data.sheets()[0] 
 
dic1 = {k: [] for k in name} 
# 各编程语言对应每年里不同时间的热度 
for i in range(1, table.nrows): 
 x = table.row_values(i) 
 dic1[x[0]].append((x[1], x[2])) 
 
# 与编程语言顺序对应  每年编程语言对应的不同时间的热度 
data_per = {k: [[] for x in range(10)] for k in range(2001, 2021)} 
print(data_per) 
 
count = 0 
for k, v in dic1.items(): 
 for j in v:   # v (时间，热度)  热度数据添加进各年对应的列表里 
  data_per[int(j[0][:4])][count].append(eval(j[1]))  # 一年里各编程语言不同时间时的热度  对应起来 
 count += 1 
 
# print(data_per) 
data_per1 = {k: [] for k in list(data_per.keys())} 
 
for k, v in list(data_per.items()): 
 for x in v: 
  if len(x) == 0:                  # 这一年里该语言没有热度数据 
   data_per1[k].append(0) 
  else: 
   avg = sum(x) / len(x) 
   data_per1[k].append(avg)     # 这一年里的平均热度 
 
# 得到TOBIE现在排Top20的编程语言从2001年开始每年的平均热度 
print(data_per1) 
 
 
def get_year_overlap_chart(year) -> Bar: 
 sum_info = [(m, n) for m, n in zip(name, data_per1[year])] 
 # 编程语言按每年平均热度排序 
 sum_info.sort(key=lambda z: z[1], reverse=True) 
 name_ = [m[0] for m in sum_info] 
 datas = [m[1] for m in sum_info] 
 # 每根柱子的颜色列表 
 colors = ['#00BFFF', '#0000CD', '#000000', '#008000', '#FF1493', '#FFD700', '#FF4500', '#00FA9A', '#191970', 
     '#9932CC'] 
 x = [] 
 for i in range(10): 
  x.append( 
   opts.BarItem( 
    name=name_[i], 
    value=datas[i], 
    itemstyle_opts=opts.ItemStyleOpts(color=colors[i])   # 设置每根柱子的颜色 
   ) 
  ) 
 # 绘制柱形图 
 bar = Bar() 
 bar.add_xaxis(name_) 
 bar.add_yaxis(series_name='热度', yaxis_data=x, is_selected=True, 
                  label_opts=opts.LabelOpts(is_show=False)) 
 bar.set_global_opts(title_opts=opts.TitleOpts( 
      title="2009-2019编程语言热度"), 
      tooltip_opts=opts.TooltipOpts( 
      is_show=True, trigger="axis", axis_pointer_type="shadow"), 
                  xaxis_opts=opts.AxisOpts(name='编程语言'), yaxis_opts=opts.AxisOpts(name='热度'), 
 ) 
 return bar 
 
# 生成时间轴的图 
timeline = Timeline(init_opts=opts.InitOpts(width="1200px", height="600px")) 
for y in range(2009, 2020): 
 timeline.add(get_year_overlap_chart(y), time_point=str(y)) 
 
timeline.add_schema(is_auto_play=True, play_interval=1000) 
timeline.render("language_2009_2019.html") 

运行效果如下，可以看到虽然Python越来越火热，但Java稳坐编程语言热度排行榜第一!(此处一位PHP程序员拍桌)

 

三、补充

本节对有时候pyecharts绘制的图形渲染在网页上无法加载js文件的问题进行说明。

根据网站资源引用说明：pyecharts 使用的所有静态资源文件存放于pyecharts-assets项目中

默认挂载在 https://assets.pyecharts.org/assets/，因为默认优先从远程引用资源，这就导致有的时候无法加载 js 文件，图表显示不出来。

解决办法：下载所需 js 文件到本地，修改资源引用地址，Github地址：https://github.com/pyecharts/pyecharts-assets看网站的介绍，pyecharts 提供了更改全局 HOST 的快捷方式。 

from pyecharts.globals import CurrentConfig 
 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' # 本地保存 js 资源的路径