作者 | AJ Gordon、June Alice

责编 | 屠敏

出品 | CSDN（ID：CSDNnews）

声明：本文仅作学习与交流。

在本文中，分析以“春雨医生”平台作为数据来源，通过Python抓取网站数据，结合“地市等级划分”数据，并再利用tableau制作地图和图表进行数据可视化。本文抓取的数据内容主要是全国范围内不同科室的TOP10医院名单，通过展示不同地区医院上榜的数量，以了解目前国内顶尖医疗水平的城市分布情况。由于本文采用的数据维度较少，结论仅供参考作用。

数据采集

首先，导入所需的库，再构建两个字典，一个存放地区编码，一个存放科室编码。利用两个嵌套for循环构建URL后，将全部URL存放到Redis数据库中，进行下一步操作。

import requests
from bs4 import BeautifulSoup
import pymysql
from concurrent.futures import ThreadPoolExecutor as Pool
from redis import ConnectionPool, Redis
import warnings
warnings.filterwarnings("ignore")
# 地区字典
area_dict = {'全国': '0','黑龙江省': '230000','吉林省': '220000','辽宁省': '210000','河南省': '410000','湖北省': '420000','湖南省': '430000','四川省': '510000','贵州省': '520000','云南省': '530000','重庆市': '500000','西藏自治区': '540000','陕西省': '610000','甘肃省': '620000','青海省': '630000','宁夏回族自治区': '640000','新疆维吾尔自治区': '650000','上海市': '310000','江苏省': '320000','浙江省': '330000','安徽省': '340000','福建省': '350000','江西省': '360000','山东省': '370000','台湾省': '710000','北京市': '110000','天津市': '120000','山西省': '130000','河北省': '140000','内蒙古自治区': '150000','广东省': '440000','广西壮族自治区': '450000','海南省': '460000','香港特别行政区': '810000','澳门特别行政区': '820000',
}
# 科室字典
department_dict = {'妇科':'1','儿科-小儿科':'fa','儿科-新小儿科':'fb','皮肤性病科-皮肤科':'ha','皮肤性病科-性病科':'hb','内科-呼吸内科':'aa','内科-心血管内科': 'ab','内科-神经内科': 'ac','内科-消化内科': 'ad','内科-肾内科': 'ae','内科-内分泌与代谢科': 'af','内科-风湿免疫科': 'ag','内科-血液病科': 'ah','内科-感染科': 'ai','男科':'8','产科':'21','外科-胸外科':'ba','外科-心脏与血管外科': 'bb','外科-神经外科': 'bc','外科-肝胆外科': 'bd','外科-烧伤科': 'be','外科-康复科': 'bf','外科-泌尿外科': 'bg','外科-肛肠科': 'bh','外科-普外科': 'bi','外科-甲状腺乳腺外科': 'bj','中医科-中医内科':'oa','中医科-中医外科': 'ob','中医科-中医妇科': 'oc','中医科-中医男科': 'od','中医科-中医儿科': 'oe','骨伤科-脊柱科':'ca','骨伤科-关节科': 'cb','骨伤科-创伤科': 'cc','精神心理科-精神科': 'na','精神心理科-心理科':'nb','口腔颌面科':'13','眼科':'15','耳鼻咽喉科-耳科':'ja','耳鼻咽喉科-鼻科': 'jb','耳鼻咽喉科-咽喉科': 'jc','肿瘤及防治科-肿瘤内科': 'ma','肿瘤及防治科-肿瘤外科': 'mb','肿瘤及防治科-介入与放疗中心': 'mc','肿瘤及防治科-肿瘤中医科':'md','整形美容科':'16','综合':'0',
}
# 收集url
def get_url():url = 'https://www.chunyuyisheng.com/pc/hospitallist/{}/{}/'for key1, value1 in area_dict.items():for key2, value2 in department_dict.items():url_new = url.format(value1, value2)redis_db.sadd('url_hospital', url_new)return None

然后，访问Redis数据库读取URL，利用ThreadPoolExecutor多线程抓取。抓取过程中有几点需要注意的：首先，访问频率过快的话，会出现503编码，解决办法是先跳过，稍后再访问；其次部分页面是无数据的，如果不进行剔除，会导致抓取过程卡住不动；此外有部分页面的医院所在城市标签为None，若不进行异常处理，也会导致卡住。最后，将抓取结果存入Mysql。

# 读取URL_1
def load_url_1():crawl_url_list = redis_db.smembers('url_hospital')while len(crawl_url_list) > 0:with Pool() as executor:futures = [executor.submit(get_content_1, crawl_url) for crawl_url in crawl_url_list]crawl_url_list = redis_db.smembers('url_hospital')
# 爬取Content_1
def get_content_1(crawl_url):conn = pymysql.connect(host='localhost', port=3306, user='root', passwd='XX', db='analysis_data',charset='utf8', cursorclass=pymysql.cursors.DictCursor)r = requests.get(crawl_url, headers=headers)# 由于访问频率过高会导致服务器报错503，可先跳过，稍后再访问if r.status_code==503:print(r.status_code)# 由于部分网址的医院显示为无数据，需剔除这部分网址elif '暂无数据' in r.text:print('此页无数据。。。')redis_db.srem('url_hospital', crawl_url)else:soup = BeautifulSoup(r.text, 'lxml')all_content = soup.find_all('div', {'class': 'content'})[-1]# 获取医院详情页urlall_href = all_content.find_all('a')detail_url = ['https://www.chunyuyisheng.com/' + i['href'] for i in all_href]# 获取医院其它信息content_item = all_content.find_all('div', {'class': 'content-item'})for number, content in enumerate(content_item):hospital = content.find('div', {'class': 'top-title'}).get_text().strip()position_province = content.find('div', {'class': 'right-position'}).get_text().strip().split(' ')[0]# 由于部分医院的城市标签为None，可设置为Nonetry:position_city = content.find('div', {'class': 'right-position'}).get_text().strip().split(' ')[1]except:position_city = ''# 通过值找键，返回区域和科室area = crawl_url.split('/')[-3]department = crawl_url.split('/')[-2]def get_key(dict, value):return [k for k, v in dict.items() if v == value]area = get_key(area_dict, area)[0]department = get_key(department_dict, department)[0]# 由于部分医院的排名标签显示为None,且排名存在规律，可手工构建医院排名，保证排名字段不为空rank = area + department + '排名第' + str(number + 1)# 构建存储列表data = [area, department, hospital, rank, position_province, position_city,detail_url[number]]# 存入Mysqlwith conn.cursor() as cursor:sql1 = "create table if not exists `%s`(区域 varchar(255),科室 varchar(255),医院 varchar(255),排名 varchar(255),省份 varchar(255),城市 varchar(255),详细URL varchar(255)) character set utf8" % ('hospital_rank')cursor.execute(sql1)sql = "insert into hospital_rank(区域,科室,医院,排名,省份,城市,详细URL) values(%s,%s,%s,%s,%s,%s,%s)"cursor.execute(sql, data)conn.commit()print(data)redis_db.sadd('detail_url', detail_url[number])redis_db.srem('url_hospital', crawl_url)conn.close()

最后，抓取详情页中的医院等级资质，步骤与上面一样，结果存入Mysql中。

# 读取URL_2
def load_url_2():crawl_url_list = redis_db.smembers('detail_url')while len(crawl_url_list) > 0:with Pool() as executor:futures = [executor.submit(get_content_2, crawl_url) for crawl_url in crawl_url_list]crawl_url_list = redis_db.smembers('detail_url')
# 爬取Content_2
def get_content_2(crawl_url):conn = pymysql.connect(host='localhost', port=3306, user='root', passwd='xx', db='analysis_data',charset='utf8', cursorclass=pymysql.cursors.DictCursor)r = requests.get(crawl_url, headers=headers)# 由于访问频率过高会导致服务器报错503，可先跳过，稍后再访问if r.status_code==503:print(r.status_code)else:soup = BeautifulSoup(r.text, 'lxml')hospital = soup.find('div', {'class': 'content-title'}).find('h3', {'class': 'title'}).get_text().strip()hospital_qualification = soup.find('div', {'class': 'content-title'}).find('span', {'class': 'label'}).get_text().strip()# 构建存储列表data = [hospital, hospital_qualification]# 存入Mysqlwith conn.cursor() as cursor:sql1 = "create table if not exists `%s`(医院 varchar(255),医院资质 varchar(255)) character set utf8" % ('hospital_qualification')cursor.execute(sql1)sql = "insert into hospital_qualification(医院,医院资质) values(%s,%s)"cursor.execute(sql, data)conn.commit()print(data)redis_db.srem('detail_url', crawl_url)conn.close()

数据处理

数据采集后，需要对数据进行清洗。先读取采集后的医院排名和资质数据，以及地市等级划分数据，然后无用字段可以剔除掉，可拆字段需进行拆分，合并多表后的结果，需检查字段的缺失值情况，并判断是否可进行填充。最后，由于展示结果中涉及到中国地图，由于tableau将台湾归为“国家”地理编码角色，需要手工追加一行记录，以便后期作图时能显示台湾部分。

import pandas as pd
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
# 加载数据
open_filepath = 'D:\pythondata\春雨医生\excel\\{}'
hospital_rank = pd.read_excel(open_filepath.format('hospital_rank.xlsx'),sheet_name='hospital_rank')
hospital_qualification = pd.read_excel(open_filepath.format('hospital_qualification.xlsx'),sheet_name='hospital_qualification')
city_grading = pd.read_excel(open_filepath.format('city_grading.xlsx'),sheet_name='city_grading')
province_area = pd.read_excel(open_filepath.format('city_grading.xlsx'),sheet_name='province_area')
# 处理数据
## 剔除无用字段
hospital_rank = hospital_rank.drop('详细URL',axis=1)
city_grading = city_grading.drop('排名',axis=1)
## 拆分字段
hospital_rank['科室1'] = hospital_rank.apply(lambda x:x['科室'].split('-')[0] if '-' in x['科室'] else x['科室'],axis=1)
hospital_rank['科室2'] = hospital_rank.apply(lambda x:x['科室'].split('-')[1] if '-' in x['科室'] else x['科室'],axis=1)
## 合并多表
result = pd.merge(hospital_rank,hospital_qualification,on='医院',how='left')
result = pd.merge(result,city_grading,on='城市',how='left')
result = pd.merge(result,province_area,on='省份',how='left')
## 填充字段
result['等级'] = result.apply(lambda x: '四/五线城市' if pd.isnull(x['等级']) else x['等级'],axis=1)
##
additional = pd.DataFrame({'区域':['全国'],'省份':['台湾省'],'城市':['台湾'],'地区':['华东']})
result = pd.concat([additional,result])
## 保存结果
result.to_csv(open_filepath.format('result.csv'),index=0, encoding="utf_8_sig")

数据可视化

首先，从地区维度去看，全国不同科室TOP10医院主要集中分布在华东和华北地区，华南和华中数量也不少。再从省份维度展示，主要分布在北京和上海，广东、天津、江苏和浙江分布数量也较多。

接着，从城市维度展示，可以看出大部分顶尖医院集中分布在北京、上海和广州这三座一线城市，南京、杭州和天津等新一线城市也占比不少。值得关注的是深圳作为一线城市，上榜的医院仅有1家，或许是历史和地理上的原因，但也说明深圳的医疗水平在国内来讲算不上是顶尖的。

从整体上看，顶尖医院主要分布在一线及新一线城市，少部分在二线城市，而二线外的城市均没有分布。此外，几乎所有顶尖医院都是三级甲等医院。

最后，将维度细分到科室的话，可以看到北京医疗水平是最顶尖的，覆盖了所有科室。上海和广州的医疗水平也位列前茅。新一线城市中，成都、杭州、南京和武汉这四个城市科室覆盖情况也很丰富，单从这里看的话，可以说医疗水平远超深圳，因为深圳只有心理科一个科室上榜。济南市作为一个二线城市，顶尖科室水平也较为不错。

结尾

此次分析仅从顶尖医院的数量来判断城市的医疗水平，采用的数据维度较少，分析不够全面，但科室这一维度来看，结果有一定的实践意义。例如有一鼻炎患者在深圳，就可以选择过去临近城市广州去看鼻科，因为那边有一家国内顶尖的医院，如此类推。也希望此次分析结果能帮助到有需要的人。

作者：AJ Gordon，对爬虫/机器学习/数据建模/可视化均有所涉猎的数据分析师；June Alice，在读研究僧一枚，跨行新手数据分析师。

【End】

《原力计划【第二季】- 学习力挑战》正式开始！
即日起至 3月21日，千万流量支持原创作者，更有专属【勋章】等你来挑战

推荐阅读 

☞6 岁学编程，9 岁给电脑杂志社撰稿，19 岁收月薪 2 万 的 Offer | 程序人生 2020

☞技术大佬：我去，你写的 switch 语句也太老土了吧！

☞赔偿谷歌1.8亿美元！前Uber自动驾驶主管被告到破产

☞乔布斯遗孀裸捐 250 亿美元财产：没兴趣累积财富

☞时间复杂度的表示、分析、计算方法……一文带你看懂时间复杂度！

☞闪电网络的 5 个优点和4 个缺点、本质、来源与工作原理……一文带你读懂闪电网络！

你点的每一个在看，我认真当成了喜欢