一、爬虫部分
爬虫说明：
1、本爬虫是以面向对象的方式进行代码架构的
2、本爬虫爬取的数据存入到MongoDB数据库中
3、爬虫代码中有详细注释
4、博客末尾附有源码 源码中包含数据库文件和数据集文件
代码展示
import requestsimport reimport jsonfrom pymongo import MongoClientclass NBASpider():def __init__(self):self.headers = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.104 Safari/537.36"}# 第一页# https://ziliaoku./cube/index?cubeId=10&dimId=52&from=sportsdatabase&order=t70¶ms=t2:|t3:1|&limit=0,50# 第二页# https://ziliaoku./cube/index?cubeId=10&dimId=52&from=sportsdatabase&order=t70¶ms=t2:|t3:1|&limit=50,50# 通过url地址的比对 发现只有limit参数的内容不同 并且limit是控制页面数据的参数 通过控制limit来控制翻页# 提取url共同部分当做列表页模板self.list_temp = "https://ziliaoku./cube/index?cubeId=10&dimId=52&from=sportsdatabase&order=t70¶ms=t2:|t3:1|&limit={},{}"# 球员1# https://ziliaoku./cube/index?cubeId=8&dimId=5¶ms=t1:5009&from=sportsdatabase# 球员2# https://ziliaoku./cube/index?cubeId=8&dimId=5¶ms=t1:4244&from=sportsdatabase# 通过url地址的比对 发现t1:后的为球员号码 其他不变# 提取url共同部分当做详情页模板self.detail_temp = "https://ziliaoku./cube/index?cubeId=8&dimId=5¶ms=t1:{}&from=sportsdatabase"self.client = MongoClient()self.collection = self.client['test']['nba']# 构造url请求地址def get_url_list(self):# 腾讯体育nba数据库有200名球员信息 每页显示50名球员信息 可以判断有4页url_list = [self.list_temp.format(i,50) for i in range(0,200,50)]return url_list# 发送请求def parse(self,url):rest = requests.get(url,headers=self.headers)return rest.content.decode()# 获取信息def get_content_list(self,str_html):json_html = json.loads(str_html)# 对响应数据进行分组nba_stars = json_html['data']['nbaPlayerSeasonStatRank']for i in nba_stars:item = {}item['号码'] = i['playerId']item['姓名'] = i['cnName']item['球队'] = i['teamName']item['场均得分'] = i['pointsPG']item['场均出手'] = i['fgAttemptedPG']item['场均命中率'] = i['fgPCT']item['场均犯规'] = i['foulsPG']item['场均三分出手'] = i['threesAttemptedPG']item['场均三分命中'] = i['threesPCT']item['场均上场时间'] = i['minutesPG']item['场次'] = i['gamesStarted']item['场均罚球'] = i['ftAttemptedPG']item['场均罚球率'] = i['ftPCT']item['场均盖帽'] = i['blocksPG']item['场均助攻'] = i['assistsPG']item['场均篮板'] = i['reboundsPG']# 请求球员详情数据self.parse_detail(self.detail_temp.format(item['号码']),item)# 获取球员详细信息 例如身高 体重 出生年月def parse_detail(self,url,item):rest = requests.get(url,headers=self.headers)json_html = json.loads(rest.content.decode())player_info = json_html['data']['playerBaseInfo']item['身高'] = player_info['height']item['体重'] = player_info['weight']item['身高'] = player_info['height']item['工资'] = player_info['wage']item['位置'] = player_info['position']item['出生日期'] = player_info['birthDate']print(item)self.save(item)# 保存信息def save(self,item):self.collection.insert(item)# 主方法def run(self):# 获取url地址url_list = self.get_url_list()# 解析url地址for url in url_list:str_html = self.parse(url)self.get_content_list(str_html)if __name__ == '__main__':nba = NBASpider()nba.run()
响应数据
列表页
详情页
二、数据分析和数据可视化部分
数据分析和数据可视化说明：
1、本博客通过Flask框架来进行数据分析和数据可视化
2、项目的架构图为
代码展示
数据分析代码展示（analysis.py）
import refrom pymongo import MongoClientimport pandas as pdimport numpy as npimport pymysql# 不同位置的球员数量占比def pos_stars_count(df):# 处理位置的离散数据 中锋 中锋-前锋 前锋pos_series = df['位置'].str.split('-')pos_list = pos_series.tolist()# 将数据都放在一个数组中 再利用set方法的特性 去除重复数据 再转换成list数据pos_type_count = list(set([j for i in pos_list for j in i ]))# 构造0的矩阵zero_list = pd.DataFrame(np.zeros((df.shape[0],len(pos_type_count))),columns=pos_type_count)# 遍历0的矩阵 如果满足条件 则+1for i in range(len(zero_list)):zero_list.loc[i][pos_list[i]] = 1# 将每个列索引上的值累加pos_count = zero_list.sum().reset_index()# 构造列表嵌套列表的数据 方便后续mysql批量插入数据data = [[i['index'],int(i[0])] for i in pos_count.to_dict(orient="records")]print(data)return data# 不同身高的球员数量占比def height_stars_count(df):# 处理身高数据 193CM 去除CMdf['身高'] = df['身高'].apply(lambda x:int(x.split('CM')[0]))# 对身高划分区间 分别为 180-190 190 190-200 200-210 210<# 将身高的数据类型转换成intdf['身高'] = df['身高'].astype(np.int)# 首先添加身高区域列索引df['身高区间'] = ''# 通过循环操作 来划分区间for i in range(df.shape[0]):if df.loc[i]['身高']<190:df.loc[i,'身高区间'] = "<190"elif df.loc[i]['身高']>=190 and df.loc[i]['身高']<200:df.loc[i,'身高区间'] = "190-200"elif df.loc[i]['身高']>=200 and df.loc[i]['身高']<=210:df.loc[i,'身高区间'] = "200-210"elif df.loc[i]['身高']>210:df.loc[i,'身高区间'] = "210<"# 按照身高区域分组并进行统计grouped = df.groupby('身高区间')['身高'].count().reset_index()# 构造列表嵌套列表的数据 方便后续mysql批量插入数据data = [[i['身高区间'],i['身高']] for i in grouped.to_dict(orient="records")]print(data)return data# nba球员的年龄与场均得分的关系def age_stars_count(df):# 数据中只有出生日期没有球员年龄 因此需要构造年龄数据# 将时间字符串转换成pandas时间类型df['出生日期'] = pd.to_datetime(df['出生日期'])# 再将pandas时间类型转换成DateTimeIndex类型date = pd.DatetimeIndex(df['出生日期'])# 取出具体的年 作为列索引填充数据df['year'] = date.year# 球员年龄 = 当前年份 - 出生年份df['年龄'] = df['year'].apply(lambda x:-int(x))# 构造列表嵌套元组的数据 方便后续mysql批量插入数据age = df['年龄'].sort_values().tolist()score = df['场均得分'].apply(lambda x:round(float(x),1)).tolist()data = list(zip(age,score))print(data)return data# 统计不同球队的场均平均得分def team_stars_score(df):# 按照球队进行分组 并统计每个球队球员的场均平均得分# 统计每队球员数量num_grouped = df.groupby('球队')['号码'].count()# 统计每队场均总得分# 由于 场均得分的数据为字符串数据 因此需要转换数据类型 进行累加df['场均得分'] = df['场均得分'].astype(np.float)score_grouped2 = df.groupby('球队')['场均得分'].sum()# 计算每个球队球员的场均平均得分avg_score = (score_grouped2/num_grouped).reset_index()# 对avg_score重新设置索引并修改列索引avg_score.columns = ['球队','球队场均平均得分']# 对球队场均平均得分数据进行处理 保留一位小数avg_score['球队场均平均得分'] = avg_score['球队场均平均得分'].apply(lambda x:round(x,1))# 构造列表嵌套列表的数据 方便后续mysql批量插入数据data = [[i['球队'],i['球队场均平均得分']] for i in avg_score.to_dict(orient="records")]print(data)return data# 对比我最喜欢的三个nba球星数据 詹姆斯 库里 杜兰特def enjoy_stars_compare(df):# 获取数据zms = df[df['姓名']=="勒布朗-詹姆斯"]kl = df[df['姓名']=="斯蒂芬-库里"]dlt = df[df['姓名']=="凯文-杜兰特"]# 拼接数据my_enjoy_stars = pd.concat([zms,kl,dlt],axis=0)# 比较参数 场均得分 场均上场时间 场均三分命中 场均盖帽 场均助攻 场均篮板 场均罚球率data = [[i['姓名'],i['场均得分'],i['场均上场时间'],i['场均三分命中'],i['场均盖帽'],i['场均助攻'],i['场均篮板'],i['场均罚球率']] for i in my_enjoy_stars.to_dict(orient="records")]print(data)return dataif __name__ == '__main__':# 初始化mongodb连接client = MongoClient()collection = client['test']['nba']# 获取数据nba_stars = collection.find({},{'_id':0})# 将数据转换成dataFrame类型df = pd.DataFrame(nba_stars)# 打印基本信息print(df.info())print(df.head(5))# 不同位置的球员数量占比# data = pos_stars_count(df)# 不同身高的球员数量占比# data = height_stars_count(df)# nba球员的年龄与得分的关系# data = age_stars_count(df)# 统计不同球队的场均平均得分# data = team_stars_score(df)# 对比我最喜欢的三个nba球星数据 詹姆斯 库里 杜兰特data = enjoy_stars_compare(df)# 初始化mysql数据库连接conn = pymysql.Connect(host="localhost",user="root",password="123456",port=3306,database="nba",charset="utf8")with conn.cursor() as cursor:# 不同位置的球员数量占比# sql = "insert into db_pos_stars_count(pos,count) values(%s,%s)"# 不同身高的球员数量占比# sql = "insert into db_height_stars_count(height_area,count) values(%s,%s)"# nba球员的年龄与得分的关系# sql = "insert into db_age_stars_score(age,score) values(%s,%s)"# 统计不同球队的场均平均得分# sql = "insert into db_team_stars_score(team,score) values(%s,%s)"# 对比我最喜欢的三个nba球星数据 詹姆斯 库里 杜兰特sql = "insert into db_enjoy_stars_compare(name,score,time,three_rate,block,assists,backboard,penalty) values(%s,%s,%s,%s,%s,%s,%s,%s)"try:result = cursor.executemany(sql,data)if result:print('插入成功')mit()except pymysql.MySQLError as err:print(err)conn.rollback()finally:conn.close()
数据库模型文件展示（models.py）
from api_1_0 import db# 不同位置的球员数量模型class PosStarsCount(db.Model):__tablename__ = "db_pos_stars_count"id = db.Column(db.Integer,primary_key=True,autoincrement=True)pos = db.Column(db.String(64),nullable=False)count = db.Column(db.Integer,nullable=False)# 不同身高的球员数量占比class HeightStarsCount(db.Model):__tablename__ = "db_height_stars_count"id = db.Column(db.Integer,primary_key=True,autoincrement=True)height_area = db.Column(db.String(64),nullable=False)count = db.Column(db.Integer,nullable=False)# nba球员的年龄与场均得分的关系class AgeStarsScore(db.Model):__tablename__ = "db_age_stars_score"id = db.Column(db.Integer,primary_key=True,autoincrement=True)age = db.Column(db.Integer,nullable=False)score = db.Column(db.Float,nullable=False)# 统计不同球队的场均平均得分class TeamStarsScore(db.Model):__tablename__ = "db_team_stars_score"id = db.Column(db.Integer,primary_key=True,autoincrement=True)team = db.Column(db.String(64),nullable=False)score = db.Column(db.Float,nullable=False)# 对比我最喜欢的三个nba球星数据 詹姆斯 库里 杜兰特class enjoyStarsCompare(db.Model):__tablename__ = "db_enjoy_stars_compare"id = db.Column(db.Integer,primary_key=True,autoincrement=True)name = db.Column(db.String(64),nullable=False)score = db.Column(db.String(64),nullable=False)time = db.Column(db.String(64),nullable=False)three_rate = db.Column(db.String(64),nullable=False)block = db.Column(db.String(64),nullable=False)assists = db.Column(db.String(64),nullable=False)backboard = db.Column(db.String(64),nullable=False)penalty = db.Column(db.String(64),nullable=False)
配置文件代码展示（config.py）
class Config(object):SECRET_KEY = 'msqdyq1314'SQLALCHEMY_DATABASE_URI = 'mysql://root:123456@localhost:3306/nba'SQLALCHEMY_TRACK_MODIFICATIONS = Trueclass DevelopmentConfig(Config):DEBUG = Trueclass ProjectConfig(Config):passconfig_map = {'develop':DevelopmentConfig,'project':ProjectConfig}
主工程目录代码展示（api_1_0/_init_.py）
from flask import Flaskfrom flask_sqlalchemy import SQLAlchemyfrom config import config_mapimport pymysqlpymysql.install_as_MySQLdb()db = SQLAlchemy()def create_app(mode='develop'):# 创建app实例对象对象app = Flask(__name__)config_name = config_map[mode]print(config_name)app.config.from_object(config_name)# 加载数据库实例db.init_app(app)# 注册蓝图from api_1_0 import viewapp.register_blueprint(view.blue,url_prefix="/show")return app
主程序文件代码展示（manager.py）
from api_1_0 import create_app,dbfrom flask_script import Managerfrom flask_migrate import Migrate,MigrateCommandfrom flask import render_templateapp = create_app()# 开启命令行运行程序manager = Manager(app)# 初始化数据库迁移库Migrate(app,db)# 添加命令行命令manager.add_command('db',MigrateCommand)# 首页@app.route('/')def index():return render_template('index.html')if __name__ == '__main__':manager.run()
视图文件代码展示（api_1_0/views/_init_.py，show.py）
__init__.py
from flask import Blueprint# 让主程序在执行的时候知道数据库模型的存在from api_1_0 import modelsblue = Blueprint('show',__name__)from . import show
show.py
import refrom . import bluefrom api_1_0.models import AgeStarsScore,enjoyStarsCompare,HeightStarsCount,PosStarsCount,TeamStarsScorefrom flask import render_templateimport pandas as pdimport numpy as np# NBA不同位置的球员数量占比&NBA不同身高的球员数量占比@blue.route('/drawPie')def drawPie():pos_stars_count = PosStarsCount.query.all()height_stars_count = HeightStarsCount.query.all()# 将数据转换成列表嵌套字典类型数据 方便饼图数据渲染data1 = [{'name':i.pos,'value':i.count} for i in pos_stars_count]data2 = [{'name':i.height_area,'value':i.count} for i in height_stars_count]return render_template('drawPie.html',**locals())# NBA球员的年龄与得分的关系散点图@blue.route('/drawScatter')def drawScatter():age_stars_score = AgeStarsScore.query.all()# 将数据转换成列表嵌套列表类型数据 方便散点图数据渲染data = [[i.age,i.score] for i in age_stars_score]return render_template('drawScatter.html',**locals())# NBA不同球队的场均平均得分柱状图@blue.route('/drawBar')def drawBar():team_stars_score = TeamStarsScore.query.all()# 将数据转换成两个列表类型数据 方便柱状图数据渲染team = [i.team for i in team_stars_score]score = [i.score for i in team_stars_score]print(team,score)return render_template('drawBar.html',**locals())# 詹姆斯、库里、杜兰特NBA数据对比雷达图@blue.route('/drawRadar')def drawRadar():enjoy_stars_com = enjoyStarsCompare.query.all()data = [{'姓名':i.name,'场均得分':i.score,'场均上场时间':i.time,'场均盖帽':i.block,'场均助攻':i.assists,'场均篮板':i.backboard,'场均三分命中率':i.three_rate,'场均罚球率':i.penalty} for i in enjoy_stars_com]# 将数据转换成dataFrame类型df = pd.DataFrame(data,dtype=np.float)max_data = df.max()[1:]# 构造雷达图的indicator 将场均三分命中率 场均罚球率先排除出来 因为概率的最大值是为1 所以要另外处理# 为了让雷达图更加美观 将最大值在原有的基础上加上原有值的十分之一indicator = [{'name':k,'max':float(v)+float(v/10)} for k,v in max_data.to_dict().items() if not len(re.findall('率',k))>0]indicator.append({'name':'场均三分命中率','max':1})indicator.append({'name':'场均罚球率','max':1})print(df)# 分别去除三位球星的数据 不要姓名zms = df.loc[0][1:].tolist()kl = df.loc[1][1:].tolist()dlt = df.loc[2][1:].tolist()return render_template('drawRadar.html',**locals())
主页展示（index.html）
主页简单创建了四个超链接指向对应的图表
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>首页说明</title><style>.container{width: 100%;height: 600px;padding: 40px;line-height: 60px;}ul{margin: auto;width: 60%;}</style></head><body><div class="container"><ul><li><a href="http://127.0.0.1:5000/show/drawPie" target="_blank"><h3>NBA不同位置的球员数量占比&NBA不同身高的球员数量占比</h3></a></li><li><a href="http://127.0.0.1:5000/show/drawScatter" target="_blank"><h3>NBA球员的年龄与得分的关系散点图</h3></a></li><li><a href="http://127.0.0.1:5000/show/drawBar" target="_blank"><h3>NBA不同球队的场均平均得分柱状图</h3></a></li><li><a href="http://127.0.0.1:5000/show/drawRadar" target="_blank"><h3>詹姆斯、库里、杜兰特NBA数据对比雷达图</h3></a></li></ul></div></body></html>
模板文件代码展示（drawBar.html，drawPie.html，drawRadar.html，drawScatter.html）
drawBar.html
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>NBA不同球队的场均平均得分柱状图</title><script src="../static/js/echarts.min.js"></script><script src="../static/theme/vintage.js"></script></head><body><div class="cart" style="width: 1600px;height: 600px;margin: auto"></div><script>var myCharts = echarts.init(document.querySelector('.cart'),'vintage')var team = {{team|tojson }}var score = {{score|tojson }}var option = {title:{text:"NBA不同球队的场均平均得分",textStyle:{fontFamily:'楷体',fontSize:21},left:10,top:10},xAxis:{type:'category',data:team,axisLabel:{interval:0,margin:10,rotate:40}},yAxis:{type:'value'},legend:{name:['场均得分']},tooltip:{trigger:'item',triggerOn:'mousemove',formatter:function (res){return '球队：'+res.name+'<br>'+'场均得分：'+res.value}},series:[{type:'bar',name:'场均得分',data:score,label:{show:true,position:'top',rotate:40,distance:10},markPoint:{data:[{type:'max',name:'最大值',label:{show: true,formatter:function (res){return res.name}},symbolSize:[40,40],symbolOffset:[0,-25]},{type:'min',name:'最小值',label:{show: true,formatter:function (res){return res.name}},symbolSize:[40,40],symbolOffset:[0,-25]}]}}]}myCharts.setOption(option)</script></body></html>
结论： 篮网球队的场均队员平均得分最高，遥遥领先其他球队，可见篮网的整体实力是很强的；而雷霆战队的场均队员平均得分最低，需要加油了。
drawPie.html
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>NBA不同位置的球员数量占比&NBA不同身高的球员数量占比</title><script src="../static/js/echarts.min.js"></script><script src="../static/theme/vintage.js"></script><style>.cart_group{padding: 60px;display: flex;justify-content: space-between;}.cart1{width: 700px;height: 500px;}.cart2{width: 700px;height: 500px;}</style></head><body><div class="cart_group"><div class="cart1"></div><div class="cart2"></div></div><script>var myCharts1 = echarts.init(document.querySelector('.cart1'),'vintage')var myCharts2 = echarts.init(document.querySelector('.cart2'),'vintage')var data1 = {{data1|tojson }}var data2 = {{data2|tojson }}function getOption(data,title_text,name_text){var option = {title:{text:title_text,textStyle:{fontFamily:'楷体',fontSize:21,},top:10,left:10},legend:{name: ['球员数量'],bottom:15,left: 15,orient:'vertical'},tooltip:{trigger:'item',triggerOn:'mmousemove',formatter:function (res){if(res.seriesName=="位置:球员数量"){return '位置：'+res.name+'<br>'+'球员数量：'+res.value+'<br>'+'占比：'+res.percent+'%'}else{return '身高区间：'+res.name+'<br>'+'球员数量：'+res.value+'<br>'+'占比：'+res.percent+'%'}}},series:[{type:'pie',name:name_text,data:data,label:{show:true,},{#radius:['50%','70%'], //环形饼图#}roseType:'radius', //南丁格尔玫瑰图selectedMode:'multiple',selectedOffset:20}]}return option}{#NBA不同位置的球员数量占比#}var option1 = getOption(data1,'NBA不同位置的球员数量占比','位置:球员数量'){#NBA不同身高的球员数量占比#}var option2 = getOption(data2,'NBA不同身高的球员数量占比','身高:球员数量')myCharts1.setOption(option1)myCharts2.setOption(option2)</script></body></html>
结论： 前锋和后卫的球员数量占比明显，可见这两个位置对于整个球队的重要程度是比较大的；NBA球员的身高普遍在190-210之间，果然打篮球还是需要个子高的，随便拉出来都是个巨人的存在。
drawRadar.html
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>詹姆斯、库里、杜兰特NBA数据对比雷达图</title><script src="../static/js/echarts.min.js"></script><script src="../static/theme/vintage.js"></script></head><body><div class="cart" style="width: 1000px;height: 600px;margin: auto"></div><script>var myCharts = echarts.init(document.querySelector('.cart'),'vintage')var indicator_data = {{indicator|tojson }}var zms = {{zms|tojson }}var kl = {{kl|tojson }}var dlt = {{dlt|tojson }}var option = {title:{text:"詹姆斯、库里、杜兰特NBA数据对比",textStyle:{fontFamily:'楷体',fontSize:21},top: 10,left:10},radar:{indicator:indicator_data,shape:'polygon'},legend:{name:['詹姆斯','库里','杜兰特'],top: 10},tooltip:{trigger:'item',triggerOn:'mousemove',formatter:function(res){return '姓名：'+res.name+'<br>'+'场均得分：'+res.value[0]+'<br>'+'场均上场时间：'+res.value[1]+'<br>'+'场均盖帽：'+res.value[2]+'<br>'+'场均助攻：'+res.value[3]+'<br>'+'场均篮板：'+res.value[4]+'<br>'+'场均三分命中率：'+(res.value[5]*1000/10).toFixed(1)+'%'+'<br>'+'场均罚球率：'+(res.value[6]*1000/10).toFixed(1)+'%'}},series:[{type:'radar',data:[{name:'詹姆斯',value: zms},{name:'库里',value: kl},{name:'杜兰特',value: dlt}]}]}myCharts.setOption(option)</script></body></html>
结论： 整体来看杜兰特的综合实力较强，相当于一名输出战士，场均得分也是最高的；库里的场均罚球率最高，篮板和场均盖帽最低，相当于一个没有输出的法师；詹姆斯的场均助攻和篮板最高，其他数据都很中规中矩，相当于一名能carry的辅助。
drawScatter.html
<!DOCTYPE html><html lang="en"><head><meta charset="UTF-8"><title>NBA球员的年龄与得分的关系散点图</title><script src="../static/js/echarts.min.js"></script><script src="../static/theme/vintage.js"></script></head><body><div class="cart" style="width: 900px;height: 600px;margin: auto"></div><script>var myCharts = echarts.init(document.querySelector('.cart'),'vintage')var data = {{data|tojson }}var option = {title:{text:'NBA球员的年龄与得分的关系',textStyle:{fontFamily:'楷体',fontSize:21},top:10,left:10},tooltip:{trigger:'item',triggerOn:'mousemove',formatter:function(res){return '年龄：'+res.value[0]+"<br>"+'场均得分：'+res.value[1].toFixed(1)}},legend:{name:['年龄-得分'],top: 10,textStyle: {fontSize: 14}},xAxis:{type:'value',scale: true,name:'年龄',nameLocation:'middle',nameTextStyle:{fontSize:16,padding:10}},yAxis:{type:'value',scale:true,name:'得分',nameLocation:'middle',nameTextStyle:{fontSize:16,padding:15}},series:[{name:'年龄-得分',type:'effectScatter',showEffectOn:'emphasis',rippleEffect:{scale:10},data:data,}]}myCharts.setOption(option)</script></body></html>
结论： NBA球员的年龄与场均得分呈负相关，球员的年龄越大，场均得分越高，看来真的是人老了力不从心了，长江后浪推前浪，一浪跟比一浪强啊。
以下是项目源码，希望能够帮助你们，如有疑问，下方评论
flask项目代码链接
如果觉得《Python爬虫实战+数据分析+数据可视化（NBA_腾讯体育）》对你有帮助，请点赞、收藏，并留下你的观点哦！
