手把手教你Python抓取数据并可视化-偶像资源网

前言

大家好，这次写作的目的是为了加深对数据可视化pyecharts的认识，也想和大家分享一下。如果下面文章中有错误的地方还请指正，哈哈哈！！！
本次主要用到的第三方库：

requests
pandas
pyecharts

之所以数据可视化选用pyecharts，是因为它含有丰富的精美图表，地图，也可轻松集成至 Flask，Django 等主流 Web 框架中，并且在html渲染网页时把图片保存下来（这里好像截屏就可以了，），任君挑选！！！

这次的数据采集是从招聘网址上抓取到的python招聘岗位信息，嗯……其实这抓取到的数据有点少（只有1200条左右，也没办法，岗位太少了…），所以在后面做可视化图表的时候会导致不好看，骇。本来也考虑过用java（数据1万+）的数据来做测试的，但是想到写的是python，所以也就只能将就用这个数据了，当然如果有感兴趣的朋友，你们可以用java，前端这些岗位的数据来做测试，下面提供的数据抓取方法稍微改一下就可以抓取其它岗位了。

好了，废话不多说，直接开始吧！

一、数据抓取篇

1.简单的构建反爬措施

这里为大家介绍一个很好用的网站，可以帮助我们在写爬虫时快速构建请求头、cookie这些。但是这个网站也不知为什么，反正在访问时也经常访问不了！额……，介绍下它的使用吧！首先，我们只需要根据下面图片上步骤一样。

完成之后，我们就复制好了请求头里面的内容了，然后打开网址https://curlconverter.com/进入后直接在输入框里Ctrl+v粘贴即可。然后就会在下面解析出内容，我们直接复制就完成了，快速，简单，哈哈哈。

2.解析数据

这里我们请求网址得到的数据它并没有在html元素标签里面，所以就不能用lxml，css选择器等这些来解析数据。这里我们用re正则来解析数据，得到的数据看到起来好像字典类型，但是它并不是，所以我们还需要用json来把它转化成字典类型的数据方便我们提取。

这里用json转化为字典类型的数据后，不好查看时，可以用pprint来打印查看。

import pprint
pprint.pprint(parse_data_dict)

3.完整代码

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\', \'职位名字\', \'薪资\', \'工作地点\',
                  \'招聘要求\', \'公司待遇\',\'招聘更新时间\', \'招聘发布时间\',
                  \'公司人数\', \'公司类型\', \'companyind_text\', \'job_href\', \'company_href\']
    dict_write = csv.DictWriter(f_csv, fieldnames=fieldnames)
    dict_write.writeheader()
    page = 0       #页数
    error_time = 0 #在判断 职位名字中是否没有关键字的次数，这里定义出现200次时，while循环结束
                   # （因为在搜索岗位名字时（如：搜索python）,会在网站20多页时就没有关于python的岗位了，但是仍然有其它的岗位出现，所以这里就需要if判断，使其while循环结束）
    flag = True
    while flag:
        page += 1
        print(f\'第{page}抓取中……\')
        try:
            time.sleep(random()*3) #这里随机休眠一下，简单反爬处理，反正我们用的是单线程爬取，也不差那一点时间是吧
            url=\'这里你们自己构建url吧，从上面的图片应该能看出，我写出来的话实在是不行，过不了审核，难受！！！\'
            ###这里还是要添加cookies的好，我们要伪装好不是？防止反爬，如果你用上面提供的方法，也就很快的构建出cookies。
            response = requests.get(url=url,params=params, headers=headers)
        except:
            print(f\'\\033[31m第{page}请求异常！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:
            ###在这里要处理下异常，因为在爬取多页时，可能是网站某些原因会导致这里的结构变化
            try:
                companyind_text = i[\'companyind_text\']
            except Exception as e:
                print(f\'\\033[31m异常：{e}033[0m\')
                companyind_text = None
            dic = {
                \'公司名字\': i[\'company_name\'],
                \'职位名字\': i[\'job_name\'],
                \'薪资\': i[\'providesalary_text\'],
                \'工作地点\': i[\'workarea_text\'],
                \'招聘要求\': \' \'.join(i[\'attribute_text\']),
                \'公司待遇\': i[\'jobwelf\'],
                \'招聘更新时间\': i[\'updatedate\'],
                \'招聘发布时间\': i[\'issuedate\'],
                \'公司人数\': i[\'companysize_text\'],
                \'公司类型\': i[\'companytype_text\'],
                \'companyind_text\': companyind_text,
                \'job_href\': i[\'job_href\'],
                \'company_href\': i[\'company_href\'],
            }
            if \'Python\' in dic[\'职位名字\'] or \'python\' in dic[\'职位名字\']:
                dict_write.writerow(dic)
                print(dic[\'职位名字\'], \'——保存完毕！\')
            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\' ##这里不能输入中文，网址做了url字体加密，简单的方法就是直接从网页url里面复制下来用（如：前端）
    # key_word = \'%25E5%2589%258D%25E7%25AB%25AF\' #前端
    spider_python(key_word)

二、数据可视化篇

1.数据可视化库选用

本次数据可视化选用的是pyecharts第三方库，它制作图表是多么的强大与精美！！！想要对它进行一些简单地了解话可以前往这篇博文：
https://www.jb51.net/article/247122.htm

安装： pip install pyecharts

2.案例实战

本次要对薪资、工作地点、招聘要求里面的经验与学历进行数据处理并可视化。

(1).柱状图Bar

按住鼠标中间滑轮或鼠标左键可进行调控。

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[\'工作地点\'] = [i.split(\'-\')[0] for i in python_data[\'工作地点\']]
city = python_data[\'工作地点\'].value_counts()
###柱状图
from pyecharts.charts import Bar
c = (
    Bar()
    .add_xaxis(city.index.tolist()) #城市列表数据项
    .add_yaxis(\"Python\", city.values.tolist())#城市对应的岗位数量列表数据项
    .set_global_opts(
        title_opts=opts.TitleOpts(title=\"Python招聘岗位所在城市分布情况\"),
        datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_=\"inside\")],
        xaxis_opts=opts.AxisOpts(name=\'城市\'),  # 设置x轴名字属性
        yaxis_opts=opts.AxisOpts(name=\'岗位数量\'),  # 设置y轴名字属性
    )
    .render(\"bar_datazoom_both.html\")
)

(2).地图Map

省份

这里对所在省份进行可视化。

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) #深复制一份数据
python_data[\'工作地点\'] = [i.split(\'-\')[0] for i in python_data[\'工作地点\']]
city = python_data[\'工作地点\'].value_counts()
city_list = [list(ct) for ct in city.items()]
def province_city():
    \'\'\'这是从接口里爬取的数据（不太准，但是误差也可以忽略不计！）\'\'\'
    area_data = {}
    with open(\'./中国省份_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()
#地图_中国地图（带省份）Map-VisualMap（连续型）
c2 = (
    Map()
    .add( \"Python\",province_data, \"china\")
    .set_global_opts(
        title_opts=opts.TitleOpts(title=\"Python招聘岗位——全国分布情况\"),
        visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),
    )
    .render(\"map_china.html\")
)

这是中国省份_城市.txt 里面的内容，通过[接口]抓取到的中国地区信息。

源码：

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(\'./中国省份_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\', \'重庆\']:
        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

这里对所在城市进行可视化。

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) #深复制一份数据
python_data[\'工作地点\'] = [i.split(\'-\')[0] for i in python_data[\'工作地点\']]
city = python_data[\'工作地点\'].value_counts()
city_list = [list(ct) for ct in city.items()]
###地图_中国地图（带城市）——Map-VisualMap（分段型）
from pyecharts.charts import Map
c1 = (
    Map(init_opts=opts.InitOpts(width=\"1244px\", height=\"700px\",page_title=\'Map-中国地图（带城市）\', bg_color=\"#f4f4f4\"))
    .add(
        \"Python\",
        city_list,
        \"china-cities\", #地图
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title=\"Python招聘岗位——全国分布情况\"),
        visualmap_opts=opts.VisualMapOpts(max_=city_list[0][1],is_piecewise=True),
    )
    .render(\"map_china_cities.html\")
)

地区

这里对上海地区可视化。

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) #深复制一份数据
shanghai_data = []
sh = shanghai_data.append
for i in python_data_deepcopy[\'工作地点\']:
    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()]
#上海地图
c3 = (
    Map()
    .add(\"Python\", shanghai_data_list, \"上海\") ###这个可以更改地区（如：成都）这里改了的话，上面的数据处理也要做相应的更改
    .set_global_opts(
        title_opts=opts.TitleOpts(title=\"Map-上海地图\"),
        visualmap_opts=opts.VisualMapOpts(max_=shanghai_data_list[0][1])
    )
    .render(\"map_shanghai.html\")
)

(3).饼图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 \'经验\' 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|{b}: }{c}  {per|{d}%}  \",
            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=\"工作经验要求\"),
        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=\"学历要求\"))
    .render(\"pie_rosetype.html\")
)

(4).折线图Line

这里对薪资情况进行可视化。

import pandas as pd
import re
python_data = pd.read_csv(\'./testDataPython-2022-05-01_11_48_36.csv\')
sal = python_data[\'薪资\']
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(\'-(.*?)万\',s):
            s = float(re.findall(\'-(.*?)万\',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=\'自定义标记点\'
        ),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title=\"薪资情况\"),
                     xaxis_opts=opts.AxisOpts(name=\'薪资范围\'),  # 设置x轴名字属性
                     yaxis_opts=opts.AxisOpts(name=\'数量\'),  # 设置y轴名字属性
                     )
    .render(\"line_markpoint_custom.html\")
)

(5).组合图表

最后，将多个html上的图表进行合并成一个html图表。

首先，我们执行下面这串格式的代码（只写了四个图表，自己做相应添加即可）

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[\'工作地点\'] = [i.split(\'-\')[0] for i in python_data[\'工作地点\']]
city = python_data[\'工作地点\'].value_counts()
city_list = [list(ct) for ct in city.items()]

###柱状图
def bar_datazoom_slider() -> Bar:
    c = (
        Bar()
        .add_xaxis(city.index.tolist()) #城市列表数据项
        .add_yaxis(\"Python\", city.values.tolist())#城市对应的岗位数量列表数据项
        .set_global_opts(
            title_opts=opts.TitleOpts(title=\"Python招聘岗位所在城市分布情况\"),
            datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_=\"inside\")],
            xaxis_opts=opts.AxisOpts(name=\'城市\'),  # 设置x轴名字属性
            yaxis_opts=opts.AxisOpts(name=\'岗位数量\'),  # 设置y轴名字属性
        )
    )
    return c
# 地图_中国地图（带省份）Map-VisualMap（连续型）
def map_china() -> Map:
    import copy
    area_data = {}
    with open(\'./中国省份_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招聘岗位——全国分布情况\"),
            visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),
        )
    )
    return c
#饼图
def pie_rich_label() -> Pie:
    require_list = []
    rl = require_list.append
    for i in python_data[\'招聘要求\']:
        if \'经验\' 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|{b}: }{c}  {per|{d}%}  \",
                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=\"工作经验要求\"),
            legend_opts=opts.LegendOpts(padding=20, pos_left=500),
        )
    )
    return c
#折线图
def line_markpoint_custom() -> Line:
    import re
    sal = python_data[\'薪资\']
    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(\'-(.*?)万\',s):
                s = float(re.findall(\'-(.*?)万\',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=\"薪资情况\"),
                         xaxis_opts=opts.AxisOpts(name=\'薪资范围\'),  # 设置x轴名字属性
                         yaxis_opts=opts.AxisOpts(name=\'数量\'),  # 设置y轴名字属性
                         )
    )
    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()

执行完后，会在当前目录下生成一个page_draggable_layout.html。

然后我们用浏览器打开，就会看到下面这样，我们可以随便拖动虚线框来进行组合，组合好后点击Save Config就会下载一个chart_config.json，然后在文件中找到它，剪切到py当前目录。

文件放置好后，可以新建一个py文件来执行以下代码，这样就会生成一个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，点击打开resize_render.html，我们合并成功的图表就是这样啦！

总结

版权声明 1 本网站名称：偶像资源网
2 本站永久网址：https://www.ox520.com
3 本网站的文章部分内容可能来源于网络，仅供大家学习与参考，如有侵权，请联系站长 QQ593098775进行删除处理。
4 本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
5 本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报
6 本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。

THE END