我用Python采集了6万多家火锅店数据，好吃的火锅在哪里！

矫情吗；* 2022-09-16 12:28 71阅读 0赞

大家好，**我是菜鸟哥，最近太冷太冷了，取暖基本靠抖，通讯基本靠吼**！不过天冷了，可以涮火锅吃羊肉，补一补！反正菜鸟哥很喜欢吃火锅，可以开始搞起来！那么，今天我们就用Python爬取某点评网站的火锅数据，一起找找**好吃的火锅在哪里**吧~~

**目录**：

*  1.说明
 *  2.北京火锅店基础数据
 *  3.北京火锅店评分数据
 *  4.评价数及人均消费
 *  5.都有哪些连锁店
 *  6.爬虫过程
 *  7.其他

接下来，我们来看看北京好吃的火锅都在哪里吧~

### 1.说明 ###

**环境**

> !! 环境  
> Windows：Windows-10  
> Python版本：3.7.9  
> IDE：Spyder 4.1.5  
> 绘图库：matplotlib

**数据**

> !! 数据  
> 数据来源：大众点评-美食-北京-火锅  
> 表单字段：\['地区', '火锅类型', 'id', '商家名称', '商家评分', '评价数', '人均消费', '口味', '环境', '服务', '地址', '推荐菜'\]  
> 表单数量：6416条有效数据（另有4000余条无评价等的店铺数据，记为无效数据，已删除）

### 2.北京火锅店基础数据 ###

In [1]: df.id.nunique() #有效火锅店铺数：店铺id非重复计数
    Out[1]: 5319

北京一共有**5319**家有评分的有效火锅店铺。![94d2ca853d799e900b1eae42b0d8383c.png][]

#### 2.1. 火锅分类 ####

算不上吃货的我，只知道两种火锅：火锅和铜锅。仔细一看，发现有接近小30种火锅种类，咱中国人真讲究。![d8628b01c036e40e5a1b41355e3de4a2.png][]

在北京品类最多的有**老北京火锅**高达1020家，其次是川味麻辣火锅、羊蝎子火锅及串串香等。![d8c62834c95172b2e16cfac0de11e5b4.png][]

以下是绘图代码：

# 获取数量前10的火锅类型
    df_type = df.groupby('火锅类型')['id'].nunique().to_frame('数量').reset_index().sort_values('数量',ascending=False)
    df_type.reset_index(drop=True,inplace=True)
    df_type.head(10)
    df_type10 = df_type.head(10) #前10
    # 绘制柱状图
    fig = df_type10.plot(kind='barh',x='火锅类型',y='数量',title="各类火锅店铺数量",
                         color='orange',figsize=(18,9),fontsize=16,
                        )
    fig.axes.title.set_size(22) #设置标题字体大小
    fig.legend(fontsize=16) #设置图例字体大小
    fig.set_ylabel('火锅类型',fontdict={'fontsize':20}) #设置y轴名称及字体大小
    for index, num in enumerate(df_type10['数量']): #添加数据标签
        fig.text(num, index,s = num, ha = 'left', fontsize = 16)

#### 2.2. 各地区火锅分类 ####

以才哥在的海淀区为例，火锅类型最多的是**川味麻辣**，其次是老北京火锅、串串香和重庆火锅。不得不说，这些都是我爱吃的。

![1d9d300863c6e56b4b4e9d7adf2c7ba5.png][] 地区火锅分类热力图

以下是制作代码：

df_loc_type = pd.pivot_table(df, values='id', index='火锅类型', columns='地区', aggfunc=pd.Series.nunique)
    cm =sns.light_palette("red", as_cmap=True)
    df_loc_type.fillna(0).astype(int).style.background_gradient(cmap=cm) #创建热力图背景（列）

#### 2.3. 各地区火锅店数量 ####

不得不说**朝阳区**也太牛了，接近1200家店，占总店的20%+。其次是咱们海淀、昌平这种打工人聚集的地方~![581b7ad7ef94388ef962dda0b2342300.png][]

### 3.北京火锅店评分数据 ###

从大众点评上爬取的店铺数据中，我们可以看到评分相关的数据指标有 商家评分(4.97)、口味、环境和服务评分共5类。![5e40c051c926a3e12e062f26d8a100f7.png][]

#### 3.1. 评分直方图 ####

组合四类评分绘制叠加直方图，可以看见基本上各项评分的分布基本一致，大部分分布在4分以下或者4.5分以上，两级分化比较明显。![8afa44e0ca55caa7c7ff684ba26144dc.png][]以下是绘图代码：

# 叠加直方图
    plt.figure(figsize=(16,9))
    plt.hist(x =df['商家评分'], color='orange', bins= 15, alpha=0.5) #橙色
    plt.hist(x =df['口味'], color='red', bins= 15, alpha=0.5) # 红色
    plt.hist(x =df['环境'], color='blue', bins= 15, alpha=0.5) # 蓝色
    plt.hist(x =df['服务'], color='white', bins= 15, alpha=0.5) # 白色
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)

#### 3.2. 各地区商家评分箱线图 ####

如图我们可以发现，东城区、朝阳区、西城区和海淀区是商家评分较高普遍较高，而密云和延庆等郊区除了个别火锅店评分较高之外整体普通较低。当然，这个其实是地理位置影响优质店铺选址，从而呈现这种表现。![983b658c8620d69cc35c183576e8297d.png][]以下是绘图代码：

# 箱线图-商家评分
    fig = df.boxplot(column='商家评分',by='地区', figsize=(18,9), color ='red',fontsize = 16)
    fig.axes.title.set_size(22) #设置标题字体大小
    fig.set_xlabel('地区',fontdict={'fontsize':20}) #设置y轴名称及字体大小

**商家评分最高前5**![7427eb1961ad3f395c0702e0d802c109.png][]

#### 3.3. 各地区口味评分箱线图 ####

对比商家评分的箱线图，我们发现东城区火锅店的口味评分有超过一半以上的店面超过了4.5分，基本上口味好的火锅店也都在北京的中心城区。![937c29c4da0e8b8055e4e697c38c092b.png][]**口味评分最高前5**![a183ada91a1ae90b3fd2de338d9a5596.png][]

#### 3.4. 各地区环境评分箱线图 ####

环境评分整体较好的在东城区和朝阳区![7d4401a3e7608d3b41a446bf01ac240e.png][]**环境评分最高前5**![2acf4b25386d0e97ee0338a4b2979b71.png][]

#### 3.5. 各地区服务评分箱线图 ####

服务评分整体较好的也是在东城区和朝阳区![fa9a184ba6a10cfc95403b062b50f2c4.png][]**服务评分最高前5**![398e36de6d9fe472fbc024d01ae0799b.png][]

#### 3.6. 各地区各项评分 ####

我们查看四项评分之间的散点图矩阵，各地区的火锅店，商家评分和口味，环境与服务关联更强。口味好的一般评分应该不会太差，环境好的服务也一般不错。![797f2762acb1269661f732a5d26d8ad4.png][]

以下是绘图代码：

# 散点图矩阵
    plt.rcParams["axes.labelsize"] = 16  # 设置全局轴标签字体大小
    score = df[['商家评分','口味','环境','服务','地区']]
    sns.pairplot(score, hue='地区',height=3)

### 4.评价数及人均消费 ###

我在大众点评找店子的时候，除了看评分之外，评价数和人均消费也是极其重要的考量。当看到评价数极高的时候，内心会不由的表示惊叹“哇塞，这么多人写评价啊”；当看到人均消费极高的时候，也会想着啥时候我也要去吃一次，哈哈~

#### 4.1. 整体评价数分布 ####

先用描述统计看，发现评价数最多的有3.2万个，最少的仅1个，75%的火锅店评价在900以下，更有25%的火锅店评价不到23个。

In [1]:df.评价数.describe()
    Out[1]: 
    count     6416.000000
    mean       831.874065
    std       1846.721435
    min          1.000000
    25%         23.000000
    50%        211.000000
    75%        881.000000
    max      32099.000000
    Name: 评价数, dtype: float64

一定程度上，评价数能反应一家店在广大吃货中的火爆度，我们发现最火的前5家有3家来自西城区，海淀区和东城区各1家。![f5d3cd8eaa38677f3726414417ae9242.png][]

以下是2家评价数**破3万**的热门火锅店~![8f3d237ad327c88e63b3cbcb1adf6c60.png][]

#### 4.2.人均消费情况 ####

一共有人均消费数据的店铺4129家，其中均值100元，中位数也是95元，最高的是1220元（我的天，这是啥火锅？）。![1b78b52baa109243fa07392dbbf7648e.png][]

##### 4.2.1.人均消费最贵的都有谁 #####

人均消费最贵第1名是一家日韩火锅，推荐菜基本都是日料类。其次，人均消费较高的都是海鲜火锅一类，你看那些推荐菜都是帝王蟹、澳龙啥的，想吃了，哈哈！！![33971b6076f7b65a57f70df792db57dd.png][]

以下是2家人均消费**破千**的火锅店~![6adc9bbb446ede82afb0419d9505510b.png][]

##### 4.2.2.人均消费分布 #####

大部分的火锅店人均消费低于100元，其次是100-150元区间。极少数在200+，虽然能吃的主很容易吃出200+的其实！！![670438520d8e2cf149369f92f1c76d62.png][]以下是绘图代码：

plt.figure(figsize = (12,12))#将画布设定为正方形，绘制的饼图是正圆
    plt.rcParams['font.size']=16 #设置字体大小为16
    label = df_cost.index.tolist()#定义饼图的标签
    explode = [0.01,0.01,0.01,0.01,0.01]#设定各项距离圆心n个半径
    values = df_cost.数量.tolist()
    plt.pie(values,explode = explode,labels = label,autopct = '%1.1f%%')#饼图
    plt.title('人均消费分布',fontdict={'fontsize':20})#标题

我们经常听的*海底捞*火锅店的人均消费大概在*130左右*。![60ab05dacb67df32be850bdbfdcdcb89.png][]

### 5.都有哪些连锁店 ###

一共有349家品牌火锅有分店。![421a8ae5c805ca0dbb00bb2bab565c07.png][]

#### 5.1.火锅分店前10品牌 ####

果然是哪都有的**呷哺呷哺**（找了半天发音）以多大289家分店稳居第一！看着这些品牌，基本都是比较常见熟悉的，基本上都吃过来着。![c65736e31091c9b66630ec07dde018e3.png][]

#### 5.2.火锅分店前10品牌人均消费 ####

海底捞 人均消费 基本都在120以上，**玩儿串串**是一家什么店呀，人均基本都低于40，其次就是开了快300家店的呷哺呷哺也是人均消费比较合适。![f00c24a5c6f09d756b958db5f02b38d2.png][]

#### 5.3.火锅分店前10品牌商家评分 ####

好吧，又是海底捞 评分表现最佳，可恶的海底捞。不过各家品牌大部分评分还是都不错，在4.25分以上。玩儿串串作为小吃摊位放在这群雄里显得有点格格不入了，哈哈！![f6f4a54f2c4197a0ac5991332f3fcdcd.png][]

**玩儿串串**原来是这种，在购物中心的美食中心里的偏快餐式的串串儿~![831351e746d5da745058dfbecb9de0a4.png][]

### 6.爬虫过程 ###

这里不介绍详细的爬虫过程，详细的见后续推送哈（主要是篇幅有限 写不完）。

咱们简单说说在爬虫过程中遇到的一些问题及解决方案。

**FAQ**

**①大众点评的搜索结果最多只显示50页，如果获取全部数据？**

解：搜索有多级选择，以北京火锅为例就是 子分类+地区，我们看到一页15家店铺最多50页就有750家，加上诸多级选择基本可以覆盖全部店铺。

**②未登录情况下无法查看下一页获取地址规律**

解：直接登录账号然后点击下一页查看地址变化规律呗。

**③爬着爬着很快就被封ip了**

解：嗯，而且不是说爬慢点就行，我就被封了2个ip貌似都是封1天以上，最后买了1000个ip代理，被封了就自动换解决。

**④部分店铺信息对应字典为方框无法解析**

解：网上有很多这种css字体加密解密的文章，边看边学吧（反正作为菜鸟的我是这么来的）

***以下代码为简单的解析 北京火锅 子分类的脚本***

import re
    import requests
    
    header = {
        "Accept-Encoding": "Gzip",  # 使用gzip压缩传输数据让访问更快
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:83.0) Gecko/20100101 Firefox/83.0",
    }
    
    url_beijing = 'http://www.dianping.com/beijing/ch10' #北京菜系
    rep_beijing = requests.get(url_beijing, headers= header)
    html_beijing = rep_beijing.text
    location_html = re.findall('<div id="region-nav" class="nc-items">([\s\S]*?)</div>',html_beijing)[0] #获取地区的数据内容
    location_name = re.findall('data-click-title="(.*?)"', location_html) #获取地区名称列表
    location_id = re.findall('<a href="http://www.dianping.com/beijing/ch10/(.*?)"',location_html) #获取地区编号id
    dic_location = dict(zip(location_name,location_id)) #组合成字典备用
    
    url_huoguo = 'http://www.dianping.com/beijing/ch10/g110' #火锅
    rep_huoguo = requests.get(url_huoguo, headers= header)
    html_huoguo = rep_huoguo.text
    type_html = re.findall('<div id="classfy-sub" class="nc-items nc-sub">([\s\S]*?)</div>',html_huoguo)[0] #获取火锅类型的数据内容
    type_name = re.findall('<span>(.*?)</span>', type_html) #获取火锅类型名称列表
    type_name = type_name[1:] #第一个是不限，需要去掉
    type_id = re.findall('data-cat-id="(.*?)"',type_html) #获取火锅类型id
    dic_type = dict(zip(type_name,type_id)) #组合成字典备用

### 7.如何获取代码 ###

需要本文的数据和代码，可以在公众号后台输入：**小助手**，找他领取，备注暗号：北京火锅

大家可以捣鼓更多的数据关联表现，虽然可能并没有实际的啥作用，哈哈！喜欢吃火锅的同学可以在文末留言评论区说说你最喜欢吃的火锅，**经常来留言，我们月底会统计，送书的哦**！

**免责声明**: ***那个，咱们爬虫仅用于简单交流，切勿用做任何商业用途***

**推荐阅读:**

入门: [最全的零基础学Python的问题][Python] | [零基础学了8个月的Python][8_Python] | [实战项目][Link 1] |[学Python就是这条捷径][Python 1]

量化: 定投基金到底能赚多少钱？  | 我用Python对去年800只基金的数据分析

干货:[爬取豆瓣短评，电影《后来的我们》][Link 2] | [38年NBA最佳球员分析][38_NBA]| [从万众期待到口碑扑街！唐探3令人失望][3] | [笑看新倚天屠龙记][Link 3][灯谜答题王][Link 4] ｜[用Python做个海量小姐姐素描图][Python 2][碟中谍这么火，我用机器学习做个迷你推荐系统电影][Link 5]

趣味:[弹球游戏][Link 6] | [九宫格][Link 7] | [漂亮的花][Link 8] | [两百行Python《天天酷跑》游戏!][Python 3]

AI: [会做诗的机器人][Link 9][给图片上色][Link 10] | [预测收入][Link 11] | [碟中谍这么火，我用机器学习做个迷你推荐系统电影][Link 5]

小工具: [Pdf转Word，轻松搞定表格和水印！][Pdf_Word] | [一键把html网页保存为pdf！][html_pdf]| [再见PDF提取收费！][PDF] | [用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换][90_PDF_word_PPT_excel_markdown_html] | [制作一款钉钉低价机票提示器！][Link 12] ｜[60行代码做了一个语音壁纸切换器天天看小姐姐！][60]｜

**年度爆款文案**

*  1).[卧槽！Pdf转Word用Python轻松搞定][Pdf_Word_Python]！
 *  [2).学Python真香！我用100行代码做了个网站，帮人PS旅行图片，赚个鸡腿吃][2_._Python_100_PS]
 *  [3).首播过亿，火爆全网，我分析了《乘风破浪的姐姐》，发现了这些秘密][3_.]
 *  4).[80行代码！用Python做一个哆来A梦分身][80_Python_A]
 *  [5).你必须掌握的20个python代码，短小精悍，用处无穷][5_._20_python]
 *  6).[30个Python奇淫技巧集][30_Python]
 *  7).[我总结的80页《菜鸟学Python精选干货.pdf》,都是干货][80_Python_.pdf]
 *  8).[再见Python！我要学Go了！2500字深度分析][Python_Go_2500]
 *  [9).发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片][9_._Python]

#  #

点阅读原文,看Python全套！

[94d2ca853d799e900b1eae42b0d8383c.png]: /images/20220828/e2eda3732e114a84abd5451d2490d067.png
[d8628b01c036e40e5a1b41355e3de4a2.png]: /images/20220828/1524fa1af3d840c1b975f4cbef2d1b9c.png
[d8c62834c95172b2e16cfac0de11e5b4.png]: /images/20220828/91fb0b53a1e6408eb15546484159bbd2.png
[1d9d300863c6e56b4b4e9d7adf2c7ba5.png]: /images/20220828/9a5221a4450f4b6f989b9fd204320bf4.png
[581b7ad7ef94388ef962dda0b2342300.png]: /images/20220828/c1d4b6fb9f514d02b4d4f10c09d891c6.png
[5e40c051c926a3e12e062f26d8a100f7.png]: /images/20220828/2d43d9720cc243a49cafbe874ce5168b.png
[8afa44e0ca55caa7c7ff684ba26144dc.png]: /images/20220828/70849bbe8d4a4a96b7b660f3bbb77353.png
[983b658c8620d69cc35c183576e8297d.png]: /images/20220828/c205f77bfb894fc1a5be14b423e1e2cd.png
[7427eb1961ad3f395c0702e0d802c109.png]: /images/20220828/de97d13ae4244a10a1296d99aba3d9f5.png
[937c29c4da0e8b8055e4e697c38c092b.png]: https://img-blog.csdnimg.cn/img_convert/937c29c4da0e8b8055e4e697c38c092b.png
[a183ada91a1ae90b3fd2de338d9a5596.png]: /images/20220828/9d67fd3f399945a08a78b7966fd49c6e.png
[7d4401a3e7608d3b41a446bf01ac240e.png]: https://img-blog.csdnimg.cn/img_convert/7d4401a3e7608d3b41a446bf01ac240e.png
[2acf4b25386d0e97ee0338a4b2979b71.png]: /images/20220828/1e49438c902844e0a4d5855d99918a75.png
[fa9a184ba6a10cfc95403b062b50f2c4.png]: https://img-blog.csdnimg.cn/img_convert/fa9a184ba6a10cfc95403b062b50f2c4.png
[398e36de6d9fe472fbc024d01ae0799b.png]: /images/20220828/4f8c3e946c5b4cc693d39a8a22d174d8.png
[797f2762acb1269661f732a5d26d8ad4.png]: /images/20220828/1144255732d144f8b669c9dca1701175.png
[f5d3cd8eaa38677f3726414417ae9242.png]: /images/20220828/be4a94f31b314b519c800a3fae066880.png
[8f3d237ad327c88e63b3cbcb1adf6c60.png]: /images/20220828/c831f3f2f1bf495fbd1e15dda973264d.png
[1b78b52baa109243fa07392dbbf7648e.png]: /images/20220828/7fedb09224e741898ced1bc8bdf283e3.png
[33971b6076f7b65a57f70df792db57dd.png]: /images/20220828/35bfc38309e842bfb08ec5b5f26e0f0e.png
[6adc9bbb446ede82afb0419d9505510b.png]: /images/20220828/5dfd333b722343f2b7be55d418e3e4e1.png
[670438520d8e2cf149369f92f1c76d62.png]: /images/20220828/f2fe8b4b625744cd86a2df086e872b24.png
[60ab05dacb67df32be850bdbfdcdcb89.png]: /images/20220828/6ecfb79504fd4c65b159a3cc98befeb9.png
[421a8ae5c805ca0dbb00bb2bab565c07.png]: /images/20220828/dce632d82ff74f6ab4775d70fc76efb9.png
[c65736e31091c9b66630ec07dde018e3.png]: /images/20220828/a9cba7b659b04d55a5f353d25bf9753d.png
[f00c24a5c6f09d756b958db5f02b38d2.png]: /images/20220828/672c2da0996446ea97d84368e2f319a6.png
[f6f4a54f2c4197a0ac5991332f3fcdcd.png]: /images/20220828/48648d62ab0644fb805c4d51db12018d.png
[831351e746d5da745058dfbecb9de0a4.png]: /images/20220828/9cbffec239b642a593e6a714481b0eae.png
[Python]: https://blog.csdn.net/cainiao_python/article/details/100036887
[8_Python]: https://blog.csdn.net/weixin_33863087/article/details/91440273
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489785&idx=1&sn=8acad1d7655f73702c78fe3af2fbd43a&chksm=97888f36a0ff0620bbc9e19e1783a1b3871a13485e56e58c2c2f49922951952238cb0f2ab78f&scene=21#wechat_redirect
[Python 1]: https://blog.csdn.net/weixin_39637571/article/details/110277976
[Link 2]: https://blog.csdn.net/u013402772/article/details/51159588
[38_NBA]: https://blog.csdn.net/EtoneGroup/article/details/111317660
[3]: https://blog.csdn.net/cainiao_python/article/details/119723059
[Link 3]: https://blog.csdn.net/weixin_39568172/article/details/110172136
[Link 4]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489108&idx=1&sn=988aad43f8c6135bd7050cd8858422ca&chksm=9788819ba0ff088da3150b31f91335942eb97783206d982302c026ccb16642b03329e24a572a&scene=21#wechat_redirect
[Python 2]: https://blog.csdn.net/weixin_43881394/article/details/109030981
[Link 5]: https://blog.csdn.net/z3y3m3/article/details/105295040
[Link 6]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247484006&idx=1&sn=899e1ebeed40aa42c04c65975adcc0f4&chksm=978895a9a0ff1cbffbcd970db026540667f1413c5680305769e4e7a2cfbe5730e70b9e649bb9&scene=21#wechat_redirect
[Link 7]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247483945&idx=1&sn=3bf763ec6b2d6cfed33b5bb0e913e08c&chksm=978895e6a0ff1cf0e7b10ebe9cd7b4195aa9a9e25eeaad50f8b17b62d83fc114cbd9620fd69e&scene=21#wechat_redirect
[Link 8]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247483844&idx=1&sn=66cc4f532e2ee95427228eb6302b6e0d&chksm=9788960ba0ff1f1dd9d86868d01c96936501612bc9d3c9c9c7a55dd5b02c366a9f997ec2c172&scene=21#wechat_redirect
[Python 3]: https://blog.csdn.net/weixin_43881394/article/details/112525642
[Link 9]: https://blog.csdn.net/qq_41424519/article/details/81943237
[Link 10]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489691&idx=1&sn=e207bfaebba4638cc00e425c6d5f41de&chksm=97888f54a0ff064253c69f08ddaced17273d430989aec293e17708e68dab675fce236bfc7af7&scene=21#wechat_redirect
[Link 11]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489216&idx=1&sn=7eb7701a50bc3686ecdfc1921c984bb4&chksm=9788810fa0ff0819035e9226b45349b1482a38410b4ad7bae210aaf9a19709ef8b634b3319dc&scene=21#wechat_redirect
[Pdf_Word]: https://blog.csdn.net/weixin_39766071/article/details/110307080
[html_pdf]: https://blog.csdn.net/keenweiwei/article/details/18982565
[PDF]: https://blog.csdn.net/weixin_52994140/article/details/118422342
[90_PDF_word_PPT_excel_markdown_html]: https://blog.csdn.net/cainiao_python/article/details/115499784
[Link 12]: https://blog.csdn.net/cainiao_python/article/details/117457955
[60]: https://blog.csdn.net/cainiao_python/article/details/118212547
[Pdf_Word_Python]: https://blog.csdn.net/cainiao_python/article/details/106233091
[2_._Python_100_PS]: https://blog.csdn.net/i54996/article/details/120728857
[3_.]: https://blog.csdn.net/cainiao_python/article/details/113976671
[80_Python_A]: https://blog.csdn.net/weixin_39710561/article/details/110026654
[5_._20_python]: https://blog.csdn.net/q985875757/article/details/119809368
[30_Python]: https://blog.csdn.net/sinat_38682860/article/details/89288593
[80_Python_.pdf]: https://blog.csdn.net/cainiao_python/article/details/112057378
[Python_Go_2500]: https://blog.csdn.net/cainiao_python/article/details/116213390
[9_._Python]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247499091&idx=1&sn=15550f3afc5e1834a5f9d581416a47f8&chksm=978b6a9ca0fce38a3c22059103b2b4abf0b4008db53b4aad418b45cf2e785f4d971767237d79&scene=21#wechat_redirect