手把手教你Python抓取數(shù)據(jù)并可視化
更新時間：2022年05月07日 10:45:08 作者：清＆輕
很多小伙伴在提到python數(shù)據(jù)可視化的時候第一反應(yīng)就是matplotlib庫,但實際上python還有很多很好用的數(shù)據(jù)可視化的庫,下面這篇文章主要給大家介紹了關(guān)于如何利用Python抓取數(shù)據(jù)并可視化的相關(guān)資料,需要的朋友可以參考下
前言
大家好，這次寫作的目的是為了加深對數(shù)據(jù)可視化pyecharts的認識，也想和大家分享一下。如果下面文章中有錯誤的地方還請指正，哈哈哈?。?！
本次主要用到的第三方庫：
- requests
- pandas
- pyecharts
之所以數(shù)據(jù)可視化選用pyecharts，是因為它含有豐富的精美圖表，地圖，也可輕松集成至 Flask，Django 等主流 Web 框架中，并且在html渲染網(wǎng)頁時把圖片保存下來（這里好像截屏就可以了，），任君挑選?。?！
這次的數(shù)據(jù)采集是從招聘網(wǎng)址上抓取到的python招聘崗位信息，嗯……其實這抓取到的數(shù)據(jù)有點少（只有1200條左右，也沒辦法，崗位太少了…），所以在后面做可視化圖表的時候會導(dǎo)致不好看，駭。本來也考慮過用java（數(shù)據(jù)1萬+）的數(shù)據(jù)來做測試的，但是想到寫的是python，所以也就只能將就用這個數(shù)據(jù)了，當然如果有感興趣的朋友，你們可以用java，前端這些崗位的數(shù)據(jù)來做測試，下面提供的數(shù)據(jù)抓取方法稍微改一下就可以抓取其它崗位了。
好了，廢話不多說，直接開始吧！
一、數(shù)據(jù)抓取篇
1.簡單的構(gòu)建反爬措施
這里為大家介紹一個很好用的網(wǎng)站，可以幫助我們在寫爬蟲時快速構(gòu)建請求頭、cookie這些。但是這個網(wǎng)站也不知為什么，反正在訪問時也經(jīng)常訪問不了！額……，介紹下它的使用吧！首先，我們只需要根據(jù)下面圖片上步驟一樣。
完成之后，我們就復(fù)制好了請求頭里面的內(nèi)容了，然后打開網(wǎng)址https://curlconverter.com/進入后直接在輸入框里Ctrl+v粘貼即可。然后就會在下面解析出內(nèi)容，我們直接復(fù)制就完成了，快速，簡單，哈哈哈。
2.解析數(shù)據(jù)
這里我們請求網(wǎng)址得到的數(shù)據(jù)它并沒有在html元素標簽里面，所以就不能用lxml，css選擇器等這些來解析數(shù)據(jù)。這里我們用re正則來解析數(shù)據(jù)，得到的數(shù)據(jù)看到起來好像字典類型，但是它并不是，所以我們還需要用json來把它轉(zhuǎn)化成字典類型的數(shù)據(jù)方便我們提取。
這里用json轉(zhuǎn)化為字典類型的數(shù)據(jù)后，不好查看時，可以用pprint來打印查看。
import pprint pprint.pprint(parse_data_dict)
3.完整代碼
import requests
import re
import json
import csv
import time
from random import random
from fake_useragent import UserAgent
def spider_python(key_word):
headers = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'no-cache',
'Connection': 'keep-alive',
'Pragma': 'no-cache',
'Sec-Fetch-Dest': 'document',
'Sec-Fetch-Mode': 'navigate',
'Sec-Fetch-Site': 'same-origin',
'Sec-Fetch-User': '?1',
'Upgrade-Insecure-Requests': '1',
'User-Agent': UserAgent().Chrome,
'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="100", "Google Chrome";v="100"',
'sec-ch-ua-mobile': '?0',
'sec-ch-ua-platform': '"Windows"',
}
params = {
'lang': 'c',
'postchannel': '0000',
'workyear': '99',
'cotype': '99',
'degreefrom': '99',
'jobterm': '99',
'companysize': '99',
'ord_field': '0',
'dibiaoid': '0',
'line': '',
'welfare': '',
}
save_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()).replace(' ', '_').replace(':','_')
file_path = f'./testDataPython-{save_time}.csv'
f_csv = open(file_path, mode='w', encoding='utf-8', newline='')
fieldnames = ['公司名字', '職位名字', '薪資', '工作地點',
'招聘要求', '公司待遇','招聘更新時間', '招聘發(fā)布時間',
'公司人數(shù)', '公司類型', 'companyind_text', 'job_href', 'company_href']
dict_write = csv.DictWriter(f_csv, fieldnames=fieldnames)
dict_write.writeheader()
page = 0 #頁數(shù)
error_time = 0 #在判斷 職位名字中是否沒有關(guān)鍵字的次數(shù)，這里定義出現(xiàn)200次時，while循環(huán)結(jié)束
# （因為在搜索崗位名字時（如：搜索python）,會在網(wǎng)站20多頁時就沒有關(guān)于python的崗位了，但是仍然有其它的崗位出現(xiàn)，所以這里就需要if判斷，使其while循環(huán)結(jié)束）
flag = True
while flag:
page += 1
print(f'第{page}抓取中……')
try:
time.sleep(random()*3) #這里隨機休眠一下，簡單反爬處理，反正我們用的是單線程爬取，也不差那一點時間是吧
url='這里你們自己構(gòu)建url吧，從上面的圖片應(yīng)該能看出，我寫出來的話實在是不行，過不了審核，難受?。?！'
###這里還是要添加cookies的好，我們要偽裝好不是？防止反爬，如果你用上面提供的方法，也就很快的構(gòu)建出cookies。
response = requests.get(url=url,params=params, headers=headers)
except:
print(f'\033[31m第{page}請求異常！033[0m')
flag = False
parse_data = re.findall('"engine_jds":(.*?),"jobid_count"',response.text)
parse_data_dict = json.loads(parse_data[0])
# import pprint
# pprint.pprint(parse_data_dict)
# exit()
for i in parse_data_dict:
###在這里要處理下異常，因為在爬取多頁時，可能是網(wǎng)站某些原因會導(dǎo)致這里的結(jié)構(gòu)變化
try:
companyind_text = i['companyind_text']
except Exception as e:
print(f'\033[31m異常：{e}033[0m')
companyind_text = None
dic = {
'公司名字': i['company_name'],
'職位名字': i['job_name'],
'薪資': i['providesalary_text'],
'工作地點': i['workarea_text'],
'招聘要求': ' '.join(i['attribute_text']),
'公司待遇': i['jobwelf'],
'招聘更新時間': i['updatedate'],
'招聘發(fā)布時間': i['issuedate'],
'公司人數(shù)': i['companysize_text'],
'公司類型': i['companytype_text'],
'companyind_text': companyind_text,
'job_href': i['job_href'],
'company_href': i['company_href'],
}
if 'Python' in dic['職位名字'] or 'python' in dic['職位名字']:
dict_write.writerow(dic)
print(dic['職位名字'], '——保存完畢！')
else:
error_time += 1
if error_time == 200:
flag = False
print('抓取完成！')
f_csv.close()
if __name__ == '__main__':
key_word = 'python'
# key_word = 'java' ##這里不能輸入中文，網(wǎng)址做了url字體加密，簡單的方法就是直接從網(wǎng)頁url里面復(fù)制下來用（如：前端）
# key_word = '%25E5%2589%258D%25E7%25AB%25AF' #前端
spider_python(key_word)
二、數(shù)據(jù)可視化篇
1.數(shù)據(jù)可視化庫選用
本次數(shù)據(jù)可視化選用的是pyecharts第三方庫，它制作圖表是多么的強大與精美?。?！想要對它進行一些簡單地了解話可以前往這篇博文：
http://www.dbjr.com.cn/article/247122.htm
安裝： pip install pyecharts
2.案例實戰(zhàn)
本次要對薪資、工作地點、招聘要求里面的經(jīng)驗與學歷進行數(shù)據(jù)處理并可視化。
(1).柱狀圖Bar
按住鼠標中間滑輪或鼠標左鍵可進行調(diào)控。
import pandas as pd
from pyecharts import options as opts
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
python_data['工作地點'] = [i.split('-')[0] for i in python_data['工作地點']]
city = python_data['工作地點'].value_counts()
###柱狀圖
from pyecharts.charts import Bar
c = (
Bar()
.add_xaxis(city.index.tolist()) #城市列表數(shù)據(jù)項
.add_yaxis("Python", city.values.tolist())#城市對應(yīng)的崗位數(shù)量列表數(shù)據(jù)項
.set_global_opts(
title_opts=opts.TitleOpts(title="Python招聘崗位所在城市分布情況"),
datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],
xaxis_opts=opts.AxisOpts(name='城市'), # 設(shè)置x軸名字屬性
yaxis_opts=opts.AxisOpts(name='崗位數(shù)量'), # 設(shè)置y軸名字屬性
)
.render("bar_datazoom_both.html")
)
(2).地圖Map
省份
這里對所在省份進行可視化。
import pandas as pd
import copy
from pyecharts import options as opts
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
python_data_deepcopy = copy.deepcopy(python_data) #深復(fù)制一份數(shù)據(jù)
python_data['工作地點'] = [i.split('-')[0] for i in python_data['工作地點']]
city = python_data['工作地點'].value_counts()
city_list = [list(ct) for ct in city.items()]
def province_city():
'''這是從接口里爬取的數(shù)據(jù)（不太準，但是誤差也可以忽略不計?。?''
area_data = {}
with open('./中國省份_城市.txt', mode='r', encoding='utf-8') as f:
for line in f:
line = line.strip().split('_')
area_data[line[0]] = line[1].split(',')
province_data = []
for ct in city_list:
for k, v in area_data.items():
for i in v:
if ct[0] in i:
ct[0] = k
province_data.append(ct)
area_data_deepcopy = copy.deepcopy(area_data)
for k in area_data_deepcopy.keys():
area_data_deepcopy[k] = 0
for i in province_data:
if i[0] in area_data_deepcopy.keys():
area_data_deepcopy[i[0]] = area_data_deepcopy[i[0]] +i[1]
province_data = [[k,v]for k,v in area_data_deepcopy.items()]
best = max(area_data_deepcopy.values())
return province_data,best
province_data,best = province_city()
#地圖_中國地圖（帶省份）Map-VisualMap（連續(xù)型）
c2 = (
Map()
.add( "Python",province_data, "china")
.set_global_opts(
title_opts=opts.TitleOpts(title="Python招聘崗位——全國分布情況"),
visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),
)
.render("map_china.html")
)
這是 中國省份_城市.txt 里面的內(nèi)容，通過[接口]抓取到的中國地區(qū)信息。
源碼：
import requests
import json
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36",
}
response = requests.get('https://j.i8tq.com/weather2020/search/city.js',headers=header)
result = json.loads(response.text[len('var city_data ='):])
print(result)
each_province_data = {}
f = open('./中國省份_城市.txt',mode='w',encoding='utf-8')
for k,v in result.items():
province = k
if k in ['上海', '北京', '天津', '重慶']:
city = '，'.join(list(v[k].keys()))
else:
city = '，'.join(list(v.keys()))
f.write(f'{province}_{city}\n')
each_province_data[province] = city
f.close()
print(each_province_data)
城市
這里對所在城市進行可視化。
import pandas as pd
import copy
from pyecharts import options as opts
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
python_data_deepcopy = copy.deepcopy(python_data) #深復(fù)制一份數(shù)據(jù)
python_data['工作地點'] = [i.split('-')[0] for i in python_data['工作地點']]
city = python_data['工作地點'].value_counts()
city_list = [list(ct) for ct in city.items()]
###地圖_中國地圖（帶城市）——Map-VisualMap（分段型）
from pyecharts.charts import Map
c1 = (
Map(init_opts=opts.InitOpts(width="1244px", height="700px",page_title='Map-中國地圖（帶城市）', bg_color="#f4f4f4"))
.add(
"Python",
city_list,
"china-cities", #地圖
label_opts=opts.LabelOpts(is_show=False),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="Python招聘崗位——全國分布情況"),
visualmap_opts=opts.VisualMapOpts(max_=city_list[0][1],is_piecewise=True),
)
.render("map_china_cities.html")
)
地區(qū)
這里對上海地區(qū)可視化。
import pandas as pd
import copy
from pyecharts import options as opts
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
python_data_deepcopy = copy.deepcopy(python_data) #深復(fù)制一份數(shù)據(jù)
shanghai_data = []
sh = shanghai_data.append
for i in python_data_deepcopy['工作地點']:
if '上海' in i:
if len(i.split('-')) > 1:
sh(i.split('-')[1])
shanghai_data = pd.Series(shanghai_data).value_counts()
shanghai_data_list = [list(sh) for sh in shanghai_data.items()]
#上海地圖
c3 = (
Map()
.add("Python", shanghai_data_list, "上海") ###這個可以更改地區(qū)（如：成都）這里改了的話，上面的數(shù)據(jù)處理也要做相應(yīng)的更改
.set_global_opts(
title_opts=opts.TitleOpts(title="Map-上海地圖"),
visualmap_opts=opts.VisualMapOpts(max_=shanghai_data_list[0][1])
)
.render("map_shanghai.html")
)
(3).餅圖Pie
Pie1
from pyecharts import options as opts
from pyecharts.charts import Pie
import pandas as pd
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
require_list = []
rl = require_list.append
for i in python_data['招聘要求']:
if '經(jīng)驗' in i:
rl(i.split(' ')[1])
else:
rl('未知')
python_data['招聘要求'] = require_list
require = python_data['招聘要求'].value_counts()
require_list = [list(ct) for ct in require.items()]
print(require_list)
c = (
Pie()
.add(
"",
require_list,
radius=["40%", "55%"],
label_opts=opts.LabelOpts(
position="outside",
formatter="{a|{a}}{abg|}\n{hr|}\n {b|: }{c} {per|vvxyksv9kd%} ",
background_color="#eee",
border_color="#aaa",
border_width=1,
border_radius=4,
rich={
"a": {"color": "#999", "lineHeight": 22, "align": "center"},
"abg": {
"backgroundColor": "#e3e3e3",
"width": "100%",
"align": "right",
"height": 22,
"borderRadius": [4, 4, 0, 0],
},
"hr": {
"borderColor": "#aaa",
"width": "100%",
"borderWidth": 0.5,
"height": 0,
},
"b": {"fontSize": 16, "lineHeight": 33},
"per": {
"color": "#eee",
"backgroundColor": "#334455",
"padding": [2, 4],
"borderRadius": 2,
},
},
),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="工作經(jīng)驗要求"),
legend_opts=opts.LegendOpts(padding=20, pos_left=500),
)
.render("pie_rich_label.html")
)Pie2
from pyecharts import options as opts
from pyecharts.charts import Pie
import pandas as pd
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
xueli_list = []
xl = xueli_list.append
for i in python_data['招聘要求']:
if len(i.split(' ')) == 3:
xl(i.split(' ')[2])
else:
xl('未知')
python_data['招聘要求'] = xueli_list
xueli_require = python_data['招聘要求'].value_counts()
xueli_require_list = [list(ct) for ct in xueli_require.items()]
c = (
Pie()
.add(
"",
xueli_require_list,
radius=["30%", "55%"],
rosetype="area",
)
.set_global_opts(title_opts=opts.TitleOpts(title="學歷要求"))
.render("pie_rosetype.html")
)
(4).折線圖Line
這里對薪資情況進行可視化。
import pandas as pd
import re
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
sal = python_data['薪資']
xin_zi1 = []
xin_zi2 = []
xin_zi3 = []
xin_zi4 = []
xin_zi5 = []
xin_zi6 = []
for s in sal:
s = str(s)
if '千' in s:
xin_zi1.append(s)
else:
if re.findall('-(.*?)萬',s):
s = float(re.findall('-(.*?)萬',s)[0])
if 1.0<s<=1.5:
xin_zi2.append(s)
elif 1.5<s<=2.5:
xin_zi3.append(s)
elif 2.5<s<=3.2:
xin_zi4.append(s)
elif 3.2<s<=4.0:
xin_zi5.append(s)
else:
xin_zi6.append(s)
xin_zi = [['<10k',len(xin_zi1)],['10~15k',len(xin_zi2)],['15<25k',len(xin_zi3)],
['25<32k',len(xin_zi4)],['32<40k',len(xin_zi5)],['>40k',len(xin_zi6),]]
import pyecharts.options as opts
from pyecharts.charts import Line
x, y =[i[0] for i in xin_zi],[i[1] for i in xin_zi]
c2 = (
Line()
.add_xaxis(x)
.add_yaxis(
"Python",
y,
markpoint_opts=opts.MarkPointOpts(
data=[opts.MarkPointItem(name="max", coord=[x[2], y[2]], value=y[2])] #name='自定義標記點'
),
)
.set_global_opts(title_opts=opts.TitleOpts(title="薪資情況"),
xaxis_opts=opts.AxisOpts(name='薪資范圍'), # 設(shè)置x軸名字屬性
yaxis_opts=opts.AxisOpts(name='數(shù)量'), # 設(shè)置y軸名字屬性
)
.render("line_markpoint_custom.html")
)
(5).組合圖表
最后，將多個html上的圖表進行合并成一個html圖表。
首先，我們執(zhí)行下面這串格式的代碼（只寫了四個圖表，自己做相應(yīng)添加即可）
import pandas as pd
from pyecharts.charts import Bar,Map,Pie,Line,Page
from pyecharts import options as opts
python_data = pd.read_csv('./testDataPython-2022-05-01_11_48_36.csv')
python_data['工作地點'] = [i.split('-')[0] for i in python_data['工作地點']]
city = python_data['工作地點'].value_counts()
city_list = [list(ct) for ct in city.items()]
###柱狀圖
def bar_datazoom_slider() -> Bar:
c = (
Bar()
.add_xaxis(city.index.tolist()) #城市列表數(shù)據(jù)項
.add_yaxis("Python", city.values.tolist())#城市對應(yīng)的崗位數(shù)量列表數(shù)據(jù)項
.set_global_opts(
title_opts=opts.TitleOpts(title="Python招聘崗位所在城市分布情況"),
datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],
xaxis_opts=opts.AxisOpts(name='城市'), # 設(shè)置x軸名字屬性
yaxis_opts=opts.AxisOpts(name='崗位數(shù)量'), # 設(shè)置y軸名字屬性
)
)
return c
# 地圖_中國地圖（帶省份）Map-VisualMap（連續(xù)型）
def map_china() -> Map:
import copy
area_data = {}
with open('./中國省份_城市.txt', mode='r', encoding='utf-8') as f:
for line in f:
line = line.strip().split('_')
area_data[line[0]] = line[1].split(',')
province_data = []
for ct in city_list:
for k, v in area_data.items():
for i in v:
if ct[0] in i:
ct[0] = k
province_data.append(ct)
area_data_deepcopy = copy.deepcopy(area_data)
for k in area_data_deepcopy.keys():
area_data_deepcopy[k] = 0
for i in province_data:
if i[0] in area_data_deepcopy.keys():
area_data_deepcopy[i[0]] = area_data_deepcopy[i[0]] + i[1]
province_data = [[k, v] for k, v in area_data_deepcopy.items()]
best = max(area_data_deepcopy.values())
c = (
Map()
.add("Python", province_data, "china")
.set_global_opts(
title_opts=opts.TitleOpts(title="Python招聘崗位——全國分布情況"),
visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),
)
)
return c
#餅圖
def pie_rich_label() -> Pie:
require_list = []
rl = require_list.append
for i in python_data['招聘要求']:
if '經(jīng)驗' in i:
rl(i.split(' ')[1])
else:
rl('未知')
python_data['招聘要求'] = require_list
require = python_data['招聘要求'].value_counts()
require_list = [list(ct) for ct in require.items()]
c = (
Pie()
.add(
"",
require_list,
radius=["40%", "55%"],
label_opts=opts.LabelOpts(
position="outside",
formatter="{a|{a}}{abg|}\n{hr|}\n {b|: }{c} {per|vvxyksv9kd%} ",
background_color="#eee",
border_color="#aaa",
border_width=1,
border_radius=4,
rich={
"a": {"color": "#999", "lineHeight": 22, "align": "center"},
"abg": {
"backgroundColor": "#e3e3e3",
"width": "100%",
"align": "right",
"height": 22,
"borderRadius": [4, 4, 0, 0],
},
"hr": {
"borderColor": "#aaa",
"width": "100%",
"borderWidth": 0.5,
"height": 0,
},
"b": {"fontSize": 16, "lineHeight": 33},
"per": {
"color": "#eee",
"backgroundColor": "#334455",
"padding": [2, 4],
"borderRadius": 2,
},
},
),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="工作經(jīng)驗要求"),
legend_opts=opts.LegendOpts(padding=20, pos_left=500),
)
)
return c
#折線圖
def line_markpoint_custom() -> Line:
import re
sal = python_data['薪資']
xin_zi1 = []
xin_zi2 = []
xin_zi3 = []
xin_zi4 = []
xin_zi5 = []
xin_zi6 = []
for s in sal:
s = str(s)
if '千' in s:
xin_zi1.append(s)
else:
if re.findall('-(.*?)萬',s):
s = float(re.findall('-(.*?)萬',s)[0])
if 1.0<s<=1.5:
xin_zi2.append(s)
elif 1.5<s<=2.5:
xin_zi3.append(s)
elif 2.5<s<=3.2:
xin_zi4.append(s)
elif 3.2<s<=4.0:
xin_zi5.append(s)
else:
xin_zi6.append(s)
xin_zi = [['<10k',len(xin_zi1)],['10~15k',len(xin_zi2)],['15<25k',len(xin_zi3)],
['25<32k',len(xin_zi4)],['32<40k',len(xin_zi5)],['>40k',len(xin_zi6),]]
x, y =[i[0] for i in xin_zi],[i[1] for i in xin_zi]
c = (
Line()
.add_xaxis(x)
.add_yaxis(
"Python",
y,
markpoint_opts=opts.MarkPointOpts(
data=[opts.MarkPointItem(name="MAX", coord=[x[2], y[2]], value=y[2])]
),
)
.set_global_opts(title_opts=opts.TitleOpts(title="薪資情況"),
xaxis_opts=opts.AxisOpts(name='薪資范圍'), # 設(shè)置x軸名字屬性
yaxis_opts=opts.AxisOpts(name='數(shù)量'), # 設(shè)置y軸名字屬性
)
)
return c
#合并
def page_draggable_layout():
page = Page(layout=Page.DraggablePageLayout)
page.add(
bar_datazoom_slider(),
map_china(),
pie_rich_label(),
line_markpoint_custom(),
)
page.render("page_draggable_layout.html")
if __name__ == "__main__":
page_draggable_layout()
執(zhí)行完后，會在當前目錄下生成一個page_draggable_layout.html。
然后我們用瀏覽器打開，就會看到下面這樣，我們可以隨便拖動虛線框來進行組合，組合好后點擊Save Config就會下載一個chart_config.json，然后在文件中找到它，剪切到py當前目錄。
文件放置好后，可以新建一個py文件來執(zhí)行以下代碼，這樣就會生成一個resize_render.html，也就完成了。
from pyecharts.charts import Page
Page.save_resize_html('./page_draggable_layout.html',cfg_file='chart_config.json')
最后，點擊打開resize_render.html，我們合并成功的圖表就是這樣啦！
總結(jié)
到此這篇關(guān)于Python抓取數(shù)據(jù)并可視化的文章就介紹到這了,更多相關(guān)Python抓取數(shù)據(jù)可視化內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要為大家詳細介紹了python3實現(xiàn)高效的端口掃描，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-08-08
很多人在一開始學習Python，會打算用作爬蟲開發(fā)。既然要做爬蟲，首先就要抓取網(wǎng)頁，并且從網(wǎng)頁中提取出超鏈接地址。這篇文章給大家分享一個簡單的方法，有需要的可以參考借鑒。2016-09-09
想給新的環(huán)境安裝pip install tensorflow，結(jié)果報錯了。網(wǎng)上了解可以降級為3.6，本文就詳細的介紹一下，感興趣的小伙伴們可以參考一下2021-06-06
這篇文章主要介紹了python tkinter組件擺放方式詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-09-09
使用 Python 玩轉(zhuǎn) GitHub 的貢獻板(推薦)
這篇文章主要介紹了使用 Python 玩轉(zhuǎn) GitHub 的貢獻板的相關(guān)知識，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下2019-04-04
Python中利用pyqt5制作指針鐘表顯示實時時間(指針時鐘)
這篇文章主要介紹了Python中利用pyqt5制作指針鐘表顯示實時時間(動態(tài)指針時鐘),本文通過示例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-02-02
這篇文章主要為大家詳細介紹了python繪制橫豎條形圖的方法，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-04-04
在本篇文章里小編給大家整理的是一篇關(guān)于python中count函數(shù)簡單用法以及相關(guān)實例，需要的朋友們學習下。2020-01-01
在keras中model.fit_generator()和model.fit()的區(qū)別說明
這篇文章主要介紹了在keras中model.fit_generator()和model.fit()的區(qū)別說明，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
網(wǎng)上的Python教程大都是2.X版本的，python2.X和python3.X相比較改動比較大，好多庫的用法不太一樣，我安裝的是python3.X，我們來看看詳細的例子2017-02-02