长沙旅游攻略！31块的臭豆腐它香吗？

缺乏、安全感 2022-09-06 00:04 221阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

为学应须毕生力，攀高贵在少年时。

前几天发表过一篇文章[厦门不止鼓浪屿][Link 1]，得到了一些朋友的肯定，让我再写下其他城市。这两天又获取到了两份关于长沙的数据：**长沙景点和长沙美食**，之后进行了分析，如果有朋友想去长沙或者周边城市玩，要仔细看看喔。

![77351fa97541e358dcd0cfb211ca0a73.png][]

### 导入库 ###

import pandas as pd
    import re
    import csv
    import json
    import requests
    import random
    
    # 显示所有列
    # pd.set_option('display.max_columns', None)
    
    # 显示所有行
    # pd.set_option('display.max_rows', None)
    
    # 设置value的显示长度为100，默认为50
    # pd.set_option('max_colwidth',100)
    
    # 绘图相关
    import jieba
    import matplotlib.pyplot as plt
    from pyecharts.globals import CurrentConfig, OnlineHostType   
    from pyecharts import options as opts  # 配置项
    from pyecharts.charts import Bar, Pie, Line, HeatMap, Funnel, WordCloud, Grid, Page  # 各个图形的类
    from pyecharts.commons.utils import JsCode   
    from pyecharts.globals import ThemeType,SymbolType
    
    import plotly.express as px
    import plotly.graph_objects as go

### 长沙景点 ###

#### 数据获取 ####

长沙景点的数据获取方法和之前那篇关于厦门的文章是一样的，只是重新跑了一遍代码，具体过程不再阐述，感兴趣的朋友可以看之前的文章，爬取的字段：

![0734ec0bc215d3218fe4a9dd0c546c75.png][]

*  中文名
 *  英文名
 *  攻略数
 *  评价数
 *  位置
 *  排名
 *  驴友占比
 *  简介

具体的源代码如下：

![9e9ed62fbc1272acd85bd30b1ca7caf7.png][]

最终数据有1152条，数据中绝大部分是长沙的景点数据，也有少量少量周边城市，比如：宁乡、浏阳等的数据，整体的数据前5行如下：

![af52083c7b1c23dcb135ef45c458765d.png][]

下面重点介绍数据分析的过程

#### 整体情况 ####

首先看看整体的数据情况：

fig = px.scatter(changsha[:10],  # 前10个
               x="strategy",  # 攻略数
               y="comment",   # 评论数
               color="comment",  # 颜色选取
               size="comment",  # 散点大小
               hover_name="cn_title",
               text="cn_title"  # 显示文字
              )
    
    fig.update_traces(textposition='top center')  # 文本顶部居中显示
    
    fig.show()

![7a6c2b30678cbbfc54061ded2a2fe8a5.png][]

很显然：**橘子洲、岳麓山、岳麓书院、太平老街**排名靠前

#### 排名靠前景点 ####

看看排名靠前的景点是哪些？

# 根据ranking排序取出前20名数据，排除ranking=0的数据，再取出前10数据
    
    changsha1 = changsha[changsha["ranking"] != 0].sort_values(by=["ranking"])[:20].reset_index(drop=True)
    changsha1.head(10)

![078a8619b0cc526a03eefe2d12ae8fdf.png][]

通过排名我们发现：**橘子洲（烟火、大桥、天心阁）、岳麓山（书院）、黄兴路步行街、马王堆汉墓遗址、湖南省博物馆**，整体排名很靠前，深受游客们欢迎，具体看看排名前20的景点：

![dcde6980398f7d329fe2df7be31f6584.png][]

#### 评论火爆景点 ####

很多游客到了一个景点喜欢写评论，看下哪些景点获得大量的评论：

changsha2 = changsha[changsha["comment"] != 0].sort_values(by=["comment"],ascending=False)[:10]
    
    # 绘图
    fig = px.scatter(
        changsha2,
        x="cn_title",
        y="comment",
        size="comment",
        color="comment",
        text="cn_title"
    )
    
    fig.update_traces(textposition="top center")
    
    fig.show()

![ff523fa306440303816bf5d87206f59d.png][]

#### 攻略在手，旅游不愁 ####

出门旅游之前最好还是做一份旅游攻略，看看提供攻略最多的前10景点是哪些：

![1a5e819605f597c857d0befe6bd340b2.png][]

如果我们考虑前20个景点的攻略数：

![f3d68e6dc931946f8a0de2e5c55beb08.png][]

#### 驴友占比 ####

我们爬取到的驴友数据是百分比，类型是字符串类型，我们现在去掉%符号，取出左边的数值，如果没有则用0代替，方便最终画图，具体操作如下：

# 去掉%取出左边数据
    changsha["lvyou_number"] = changsha["lvyou"].apply(lambda x:x.split("%")[0])
    changsha["lvyou_number"] = changsha["lvyou_number"].astype(int)
    changsha.head()

![c8a358a5f22f1700eeae18c87028aa4f.png][]

取出排名前10的驴友占比景点：

![7fc27f63a6be60a779e7d21cbca08ee6.png][]

#### 景点介绍 ####

获取到的abstract字段是用来描述景点的基本信息，可以用来制作词云图，具体处理过程如下：

abstract_list = changsha["abstract"].tolist()
    
    # 1、分词
    jieba_name = []
    for i in range(len(abstract_list)):
        # seg_list只是一个generator生成器：<class 'generator'>
        seg_list = jieba.cut(str(abstract_list[i]).strip(), cut_all=False)  
        # 对list(seg_list)中的每个元素进行追加
        for each in list(seg_list):   
            jieba_name.append(each)
           
    # 2、去停用词
    # 创建停用词list
    def stopwordslist(filepath):
        stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
        return stopwords
    
    # 传入路径，加载去停用词
    stopwords = stopwordslist('/Users/peter/Desktop//nlp_stopwords.txt')  
    
    stopword_list = []
    for word in jieba_name:  # jieba_name中的word不在停用词表中，且不是\t制表符
        if word not in stopwords:
            if word != "\t" and word != " " and word != "nan":
                stopword_list.append(word)
                
    # 3、统计单词出现个数
    dic = {}
    number = 0
    
    for each in stopword_list:
        if each in dic.keys():
            number += 1   
            dic[each] = number
        else:
            dic[each] = 1 # 不存在则结果为1
    
    # 4、字典转成json数据，绘制词云图需要
    tuple_list = []
    for k,v in dic.items():
        tuple_list.append(tuple([k,v]))
        
    tuple_list[:20]

![e4194e23835e85f055ce2d0e47c3cbbb.png][]

### 长沙美食 ###

第二部分介绍的是长沙（附近部分长沙）的美食，接下来从3个方面介绍：

*  字段获取
 *  数据保存及处理
 *  美食数据分析

#### 发送请求 ####

url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page=1"
    
    headers = {"user-agent": "个人请求头"}
    
    response = requests.get(url=url,headers=headers)
    result = response.content.decode()

#### 字段获取 ####

*  名称cn\_title
 *  评分socre
 *  均价person\_avg
 *  地址address
 *  推荐菜recommand
 *  评价comment

![28cbb3c2d84a1661b3257e2d58aaa775.png][]

1、源码结构

网页显示每页有10个景点（最后页未必是10个），总共200页的数据，每个景点的信息包括在一个`<li></li>`标签对中，我们只需要从标签中获取到相应的信息即可

![dd4479d4707ad0212cff1c69334e0b86.png][] ![9e20d49a606490677a0073ad684853b8.png][]

2、名称和评分两个字段的获取相对简单，直接通过正则表达式来获取，关键字定位需要准确（以后会详细详解**正则表达式**的使用）

![32d503ef3296a9d5376f9920ceec37a7.png][]

# 中文名
    cn_title = re.findall('cn_tit">(.*?)</span>.*?countbox',result,re.S)

![159b463e904dd6d4f7ffbb039438ac02.png][]

# 得分：没有得分用--表示
    score = re.findall('cur_score">(.*?)</span>.*?total_score',result,re.S)

![4ed80878af6a3820f6a88ec4e0e1efe5.png][]

3、关于剩下4个字段的获取，相对复杂。因为他们并不是在每个店的信息中存在，有的，但是他们有一个共同点：全部是隐藏一个`<div></div>`标签对中，而且每个字段都有自己的关键词

![24f33b1585d87cf61953129ee84ac7e0.png][] ![a652b26ad5f6126bbeabe2ac888d222e.png][]

具体处理方法：**先大后小**

1、先整体：提取`sublistbox`下面的全部信息

![dbd713396091603f34ec6207f2439aa1.png][]

2、从步骤1的信息进行判断，获取4个单独字段

# 均价
    person_avg = []
    
    for i in range(len(sublistbox)):
        try:
            if "均" in sublistbox[i]:  # 如果均价存在
                person_avg.append(re.findall('¥ (.*?)</dd></dl>',sublistbox[i],re.S)   [0])   # 将解析出来的第一个字段放入列表中
            else:  # 否则，不存在的话，添加0
                person_avg.append(0)
            continue   # 遇到报错继续往下执行
        except:
            person_avg.append(0)

剩下3个字段处理类似：

address = []
    
    for i in range(len(sublistbox)):
        try:
            if "址" in sublistbox[i]:  # 关键词
                address.append(re.findall('址.*?des_line">(.*?)</dd></dl>',sublistbox[i],re.S)[0])
            else:
                address.append("无")
            continue
        except:
            address.append("无")

recommand = []
    
    for i in range(len(sublistbox)):
        try:
            if "推荐菜" in sublistbox[i]:
                recommand.append(re.findall('推荐菜.*?des_line">(.*?)</dd></dl>',sublistbox[i],re.S)[0])
            else:
                recommand.append("无")
            continue
        except:
            recommand.append("无")

comment = []
    
    for i in range(len(sublistbox)):
        try:
            if "desbox" in sublistbox[i]:   # 关键词
                comment.append(re.findall('.*?txt">(.*?)<span class="img_doublequote img_r">',sublistbox[i],re.S)[0])
            else:
                comment.append("无")
            continue
        except:
            comment.append("无")

4、上面是获取单页数据的解析过程，下面讲解如何获取200页的字段数据：

# 中文名：得分字段类似
    cn_title_list = []
    
    for i in range(1,201):
        url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page={}".format(i)
        headers = {"user-agent": "请求头"}
        response = requests.get(url=url,headers=headers)
        result = response.content.decode()
        cn_title = re.findall('cn_tit">(.*?)</span>.*?countbox',result,re.S)
        for each in cn_title:
            cn_title_list.append(each)
            
    cn_title_list

#  均价字段：地址、推荐菜、评价类似
    # 某个字段不存在，用0或者无代替
    person_avg_list = []
    
    for i in range(1,201):
        url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page={}".format(i)
        headers = {"user-agent": ""}
        response = requests.get(url=url,headers=headers)
        result = response.content.decode()
        
        # 1、先整体提取
        sublistbox = re.findall('sublistbox">(.*?)</div>', result, re.S)
        # 2、再局部提取
        person_avg = []
        for i in range(len(sublistbox)):
            try:
                if "均" in sublistbox[i]:
                    person_avg.append(re.findall('¥ (.*?)</dd></dl>',sublistbox[i],re.S)[0])
                else:
                    person_avg.append(0)
                    continue
            except:
                person_avg.append(0)
    
        for each in person_avg:
            person_avg_list.append(each)
        
    
    # 地址
    address_list = []
    
    for i in range(1,201):
        url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page={}".format(i)
        headers = {"user-agent": "请求头"}
        response = requests.get(url=url,headers=headers)
        result = response.content.decode()
        
        # 1、先整体提取
        sublistbox = re.findall('sublistbox">(.*?)</div>', result, re.S)
        # 2、再局部提取
        address = []
    
        for i in range(len(sublistbox)):
            try:
                if "址" in sublistbox[i]:
                    address.append(re.findall('址.*?des_line">(.*?)</dd></dl>',sublistbox[i],re.S)[0])
                else:
                    address.append("无")
                continue
            except:
                address.append("无")
        
        for each in address:
            address_list.append(each)
            
    address_list[:20]

#### 获取全网数据 ####

5、提取到每个字段后生成整体数据，并保存：

# 1、生成数据
    
    df = pd.DataFrame({
        "中文名": cn_title_list,
        "得分": score_list,
        "均价": person_avg_list,
        "地址": address_list,
        "推荐菜": recommand_list,
        "评价": comment_list
    })
    # 2、保存数据
    # df.to_csv("长沙美食.csv",index=False,encoding='utf_8_sig')  # 防止乱码

![46f52817ae0106e8f3ce4c294b7461f9.png][]

### 美食数据分析 ###

#### 前期处理 ####

在进行数据分析之前，需要进行前期的处理：

df["得分"] = df["得分"].apply(lambda x: x.replace("--","0"))  # 将得分中的--替换成0

改变两字字段的数据类型：

![11318abdbec1109b31131161071060dd.png][]

#### 长沙到底有几家文和友？ ####

1、文和友是长沙的知名老店，那获取到的数据中有几家和文和友相关的店？

**数据显示：20家**

![4c1d3cf57bb6e840330e68b802eec467.png][]

看看前5家：

![8ff5bfa96bd164706774b23b13b42803.png][]

2、哪家文和友得分最高？

我们看看前5名：

fig = px.scatter(
        wenheyou_score[:5],
        x="中文名",
        y="得分",
        color="得分",
        size="得分",
        text="地址"
    )
    
    fig.update_traces(textposition="top center")
    fig.show()

![51853e675220dfc91621120b4d3dcd68.png][]

可以看到：**府中路**的这家店是评分最高的，网友给的评价是：

> 虾肉很新鲜，口感嫩滑，入味极佳，个人觉得不是很辣，但是如果对于吃辣程度一般的人来说，绝对足够了。

#### 臭豆腐香不香？ ####

1、看看数据中有臭豆腐店

数据显示有19家，我们看看前5家店

![8b5796f0fb283c8ccfcd187787de3dac.png][] ![27cc2d167fe50de2b27155a91f1eef0c.png][]

2、臭豆腐的价格如何？

太平街21号的一份臭豆腐31块？不知道香不香！！！

![d77f23e3385cf3b818307201e3306f84.png][]

3、整体臭豆腐店的分布，基于得分和均价两个字段

px.scatter(choudoufou,x="得分",y="均价",color="中文名",size="均价")  # 只筛选均价大于0

![d27b1b165379a74da8e4c4dd91f17183.png][]

#### 茶颜悦色好喝吗？ ####

1、数据中几家茶颜悦色的店？

数据显示是10家，但是我想长沙肯定是不止10家！！！**数据量还是太少了**

![a9eeed4f0fba620a6fa45a006580f7fe.png][]

2、茶颜悦色价格如何？

筛选出价格大于0的，我们：**茶颜悦色的价格基本在17元左右**

chayanyuese[chayanyuese["均价"] > 0]

![69d26553a84e645e93be02301743632e.png][]

#### 湖南人爱嗦粉 ####

湖南人非常喜欢吃粉，尤其是常德的米粉非常出名

1、看看数据中有几家粉店？

数据显示有103家！！！果然湖南人爱嗦粉

![e021454739edf3aa6b49c3d583b45bce.png][]

2、查看得分排名前10的粉店

mifen.sort_values("得分",ascending=False).head(10)

![1ed8975e36fdbccd494241c4742b6eda.png][]

排名靠前的10位店价格基本上控制在14-15左右

3、米粉店整体分布

px.scatter(mifen,x="得分",y="均价",color="中文名",size="均价")

![cf9696a2d731dcbd28fd1c9ef7873873.png][]

4、店铺汇总

另外，查看数据发现，还有15家酒吧，28家火锅店，我们汇总下。**数据量过少，仅供参考**

doors = pd.DataFrame({
        "数量":[19,18,9,103,15,28],
        "名称":["文和友","臭豆腐","茶颜悦色","粉店","酒吧","火锅店"]
    })
    
    doors = doors.sort_values("数量",ascending=False)
    
    c = (
        Bar()
        .add_xaxis(doors["名称"].tolist())
        .add_yaxis("长沙店铺",doors["数量"].tolist())
        .reversal_axis()
        .set_series_opts(label_opts=opts.LabelOpts(is_show=True, position="right"))   # 是否显示数据以及label的位置（显示在右方）
    )
    
    c.render_notebook()

![56849ee9937d7a84bb4e27f9a2981431.png][]

#### 网友推荐菜 ####

对于网友的推荐菜，采用词云图展示：

# 1、选择推荐菜数据
    rec = df[df["推荐菜"] != "无"].sort_values("得分",ascending=False).reset_index(drop=True)
    rec_list = rec["推荐菜"].tolist()
    
    # 2、jieba分词
    
    rec_jieba_list = []
    
    for i in range(len(rec_list)):
       # jieba分词
        seg_list = jieba.cut(str(rec_list[i]).strip(), cut_all=False)
        for each in list(seg_list):
            rec_jieba_list.append(each)
    
    #3 3、通过pandas中的values来统计个数
    
    rec_result = pd.value_counts(rec_jieba_list)[1::].to_frame().reset_index().rename(columns={"index":"词语",0:"次数"})
    
    # 4、生成绘图数据
    rec_words = [tuple(z) for z in zip(rec_result["词语"].tolist(), rec_result["次数"].tolist())]
    
    rec_words[:3]
    
    # 5、WordCloud模块绘图
    c = (
        WordCloud()
        .add("", rec_words, word_size_range=[20, 100], shape=SymbolType.DIAMOND)
        .set_global_opts(title_opts=opts.TitleOpts(title="长沙美食推荐菜词云"))
    )
    
    c.render_notebook()

![ddeadc56fc1236c9a5a27aa4c7399016.png][]

### 总结 ###

文章通过对两份数据获取和分析，数据量并不大，但还是想到长沙旅游的朋友几点建议：

1、橘子洲你应该去看看

从长沙景点数据分析中看出来，不管是整体排名、游客提供的攻略数、评论数，橘子洲都是排名第一的，可以在橘子洲大桥看烟火

2、五一广场真的很热门

五一广场整个片区很多吃喝玩乐的地方：太平老街、火宫殿、黄兴路步行街等，爱吃爱玩的你应该去

3、博物馆和遗址

如果喜欢历史，可以去**湖南省博物馆、马王堆汉墓遗、长沙简牍博物馆**址逛逛

4、不怕辣就吃龙虾

喜欢吃小龙虾的就去文和友吧，口味挺齐全的。推荐：**海信广场店**

5、一定要尝下湖南米粉

上面的数据已经显示了，大大小小的粉店在长沙太多了，到了长沙务必尝下，推荐：**原味粉店家**

--------------------

> 一切看似逝去的，都不曾离开，你所给与的爱与温暖，让我执着地守护着这里。

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  [Python也能操作MongoDB数据库][Python_MongoDB]
 *  [Python也能操作Mysql数据库][Python_Mysql]
 *  [我是如何利用Python下载酷狗音乐的][Python]
 *  [干货文——一文带你搞懂爬虫储存数据库MongoDB][MongoDB]

![a10b2f98477792a66665e326d3817b49.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[Link 1]: https://mp.weixin.qq.com/s?__biz=MzI4NjI3MzI2Ng%3D%3D&chksm=ebde36fedca9bfe81d52a65e6485245a4c4a75d3ae07298399470cf087595a14c5fd47489f96&idx=1&lang=zh_CN&mid=2247486819&scene=21&sn=46db9eb509de33e4c96b93dd2e336a8f&token=1114057335#wechat_redirect
[77351fa97541e358dcd0cfb211ca0a73.png]: /images/20220829/bdb75f2a94504b73a3c63fff0b57e6a1.png
[0734ec0bc215d3218fe4a9dd0c546c75.png]: /images/20220829/dd46250b271c41edaf2be9ead766ae7b.png
[9e9ed62fbc1272acd85bd30b1ca7caf7.png]: /images/20220829/966f5bb00d6f444fb4c657f8f7437a6b.png
[af52083c7b1c23dcb135ef45c458765d.png]: /images/20220829/25c2e1b3db00419d82654822c9d8a8aa.png
[7a6c2b30678cbbfc54061ded2a2fe8a5.png]: /images/20220829/88341d1d16694262852d3ae0f83c1873.png
[078a8619b0cc526a03eefe2d12ae8fdf.png]: /images/20220829/a83c676add244e969a51df1785792343.png
[dcde6980398f7d329fe2df7be31f6584.png]: /images/20220829/922b75937ddd44a6b512667fa78fc2df.png
[ff523fa306440303816bf5d87206f59d.png]: /images/20220829/0f63c088175c4e81b183e93e3ddc7976.png
[1a5e819605f597c857d0befe6bd340b2.png]: /images/20220829/ab961da64d654302a43daa2e1388fa90.png
[f3d68e6dc931946f8a0de2e5c55beb08.png]: /images/20220829/54f935faa81e482196cdb2c407b9fb51.png
[c8a358a5f22f1700eeae18c87028aa4f.png]: /images/20220829/01cf92d47e73416c94a71b18d5a57858.png
[7fc27f63a6be60a779e7d21cbca08ee6.png]: /images/20220829/8e82fb094f284c59ad9b07db63cdb604.png
[e4194e23835e85f055ce2d0e47c3cbbb.png]: /images/20220829/c2b46711f92f44789874c77d57ed0bfd.png
[28cbb3c2d84a1661b3257e2d58aaa775.png]: /images/20220829/3c6ae18c7c0945869f71a1658b5b00cb.png
[dd4479d4707ad0212cff1c69334e0b86.png]: https://img-blog.csdnimg.cn/img_convert/dd4479d4707ad0212cff1c69334e0b86.png
[9e20d49a606490677a0073ad684853b8.png]: /images/20220829/26a3e86852f646e8bc889c98ff40eda3.png
[32d503ef3296a9d5376f9920ceec37a7.png]: /images/20220829/3497baccabb942309f3f6574e83b44fb.png
[159b463e904dd6d4f7ffbb039438ac02.png]: /images/20220829/2efd0c53bd82413d81b12dcb6401db44.png
[4ed80878af6a3820f6a88ec4e0e1efe5.png]: /images/20220829/3d9dd870bf1c4cd98c458f2402596a4f.png
[24f33b1585d87cf61953129ee84ac7e0.png]: https://img-blog.csdnimg.cn/img_convert/24f33b1585d87cf61953129ee84ac7e0.png
[a652b26ad5f6126bbeabe2ac888d222e.png]: /images/20220829/916557f855e2493ab32ca2c07bfbb650.png
[dbd713396091603f34ec6207f2439aa1.png]: /images/20220829/ef1675d338374ec5a104f2bbf40424c3.png
[46f52817ae0106e8f3ce4c294b7461f9.png]: /images/20220829/e54484a6b54c4672af4fef5126827bcf.png
[11318abdbec1109b31131161071060dd.png]: /images/20220829/5d5018af871246ee868162cc91ec965d.png
[4c1d3cf57bb6e840330e68b802eec467.png]: /images/20220829/e8417c48a9934830a0fe78d95a2184ac.png
[8ff5bfa96bd164706774b23b13b42803.png]: /images/20220829/f688892ed53d46cc8e791105a3853f44.png
[51853e675220dfc91621120b4d3dcd68.png]: /images/20220829/02570c56106b42cf976e26467dbd6299.png
[8b5796f0fb283c8ccfcd187787de3dac.png]: https://img-blog.csdnimg.cn/img_convert/8b5796f0fb283c8ccfcd187787de3dac.png
[27cc2d167fe50de2b27155a91f1eef0c.png]: /images/20220829/2df9accf4d0949a99cb43cd2925cfb4b.png
[d77f23e3385cf3b818307201e3306f84.png]: /images/20220829/c2dba973996946918c875389d0577ba4.png
[d27b1b165379a74da8e4c4dd91f17183.png]: /images/20220829/0e9168b3d5c244bcb975dc7b9abd9119.png
[a9eeed4f0fba620a6fa45a006580f7fe.png]: /images/20220829/5a7864fb42b348b78c1669bcd3ae1a74.png
[69d26553a84e645e93be02301743632e.png]: /images/20220829/1a752598b24445e895883b0a5d15d01b.png
[e021454739edf3aa6b49c3d583b45bce.png]: /images/20220829/cf9453098d484342880e55bcf6d188c6.png
[1ed8975e36fdbccd494241c4742b6eda.png]: /images/20220829/2dc9e55f271945ceb0a99252be466b7c.png
[cf9696a2d731dcbd28fd1c9ef7873873.png]: /images/20220829/6325a216e35a4ed9ba8dd9700abe4a88.png
[56849ee9937d7a84bb4e27f9a2981431.png]: /images/20220829/9673602c311c4a26af2aad06294498f0.png
[ddeadc56fc1236c9a5a27aa4c7399016.png]: /images/20220829/f67860ea990345f5a38dae11166bc578.png
[Python_MongoDB]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b541cbb73c571c90890f88d69abd0aa319f1bb3c787232a6331620af3d9016f8abe5d838&idx=1&mid=2247496554&scene=21&sn=c8112fa2cd60a700195d99af1093ad83#wechat_redirect
[Python_Mysql]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b4e6cbb73df00abf51cc844ebd684e1a630b44e08dcf3e28f9d89d0b0459dd06dd64d6e0&idx=1&mid=2247496397&scene=21&sn=a2641f5a5f98694b9d6b3bf7781c41e6#wechat_redirect
[Python]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b4bbcbb73dad7991e3139fa5c47e7ab071fef2848844ed67b684007c8a6cb87276c774c5&idx=1&mid=2247496336&scene=21&sn=6a585e9379b4ee9fe9c345279089eb83#wechat_redirect
[MongoDB]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b430cbb73d26b6e9b9a403b72edd70a83cc71f62e802614bd7934b2622e3ba49bcc8d96f&idx=1&mid=2247496219&scene=21&sn=8b82e3af2a5d959f861e24005524867a#wechat_redirect
[a10b2f98477792a66665e326d3817b49.png]: /images/20220829/3f9b224453e24377985d6d0c3fa21f33.png