上周领了新任务，做国内高校改名历史的统计，这个挺有意思，以下是我任务完成过程，和大家分享。
一. 数据收集
数据需求：目前已有高校校名，各高校改名历史记录
高校校名数据来源：尝试从高校排名网站（iPIN），中国教育和科研计算机网等抓取，但高校名不全，前者709，后者1394，最后从教育部找到一份名单：“2015年全国高等学校名单”，基于教育部的信息比较权威可靠，本人想法是抓取教育部发布的教发函来收集高校改名信息。
高校改名数据来源：教育部信息综合搜索，鉴于教育部发布的信息众多，且教发函格式不一，本人分成几个类别抓取：合并，更名，建立，在xx基础上建立，转设。然后根据搜索跳转的URL，抓取不同类别，大概情况如图：
从截图可以观察到跳转的URL，所以更换掉关键词部分，重新查询便能获得新的结果，再根据页数跳转抓取所有有关通知。具体实现细节比较繁琐，有兴趣同学可以看github上的代码：最后数据结果如下：
1. 高校校名：普通高等学校2553所
2. 更名历史：教育部1995-2015发布的教发函，约665份，教育部公示1990-2006年5月高校合并情况，431条记录。
二. 数据分析
接下来就是对数据进行清洗，规则处理的过程，虽然没用到什么算法，但满满都是泪啊～～基本大家都能看懂，详细代码点这里，大概流程如下：
import re
import string
import json sch = {} #学校更名历史字典
remain_sch = {} #添加的学校 #处理高校合并通知
def dealCombineRP(rp_file): #处理高校建立通知，原通知不完整，数据已从通知文件中补全
def dealFoundRP(rp_file): #处理高校更名通知
def dealRenameRP(rp_file): #处理高校转设通知
def dealSetupRP(rp_file): #处理高校建立通知
def dealUpgradeRP(rp_file): #处理教育部合并通知：1990-20060515
def dealCombineFile(combine_file): #去重处理，去掉重复更名（合并）
def removeDuplicate(): #导入学校名
def loadSchoolName(): #结果保存为json格式
def showResult() def main():
global sch
global remain_sch sch_file = "./data/sch_name/sch_name_gov.txt"
rp_rename_file = "./data/reports/reports_rename.txt"
rp_upgrade_file = "./data/reports/reports_upgrade.txt"
rp_setup_file = "./data/reports/reports_setup.txt"
rp_found_file = "./data/reports/reports_found.txt"
rp_combine_file = "./data/reports/reports_combine.txt"
school_combine_since1990 = "./data/reports/school_combine_since1990.txt" sch = loadSchoolName(sch_file)
#print "before:",len(sch) dealSetupRP(rp_setup_file)
dealCombineFile(school_combine_since1990)
dealCombineRP(rp_combine_file)
dealFoundRP(rp_found_file)
dealRenameRP(rp_rename_file)
dealUpgradeRP(rp_upgrade_file) #print "after:",len(sch)
removeDuplicate()
showResult() if __name__ == '__main__':
main()
三. 分析结果
标记结果：原文件学校2554个，增加至2690个，总共标记828个学校。很多专科学校也添加进去了～基本上完成任务。估计做成列表也是挺壮观的，下面是部分结果：
{
"广东海洋大学": [
"湛江农业专科学校",
"湛江海洋大学",
"湛江水产学院"
],
"广东海洋大学寸金学院": [],
"广东环境保护工程职业学院": [],
"广东理工学院": [
"肇庆科技职业技术学院"
],
"广东理工职业学院": [],
"广东生态工程职业学院": [],
"广东白云学院": [],
"广东省外语艺术职业学院": [],
"广东石油化工学院": [
"茂名学院",
"广东石油化工高等专科学校",
"广东省茂名教育学院",
"茂名石油工业公司职工大学"
],
"广东碧桂园职业学院": [],
"广东科学技术职业学院": [],
"广东科技学院": [
"东莞南博职业技术学院"
],
"广东科贸职业学院": [],
"广东第二师范学院": [
"广东教育学院"
],
"广东职业技术学院": [],
"广东舞蹈戏剧职业学院": [],
"广东药学院": [],
"广东行政职业学院": [],
"广东警官学院": [
"广东*高等专科学校"
],
"广东财经大学": [
"广东商学院"
],
"广东财经大学华商学院": [],
"广东轻工职业技术学院": [
"广州轻工业学校"
],
"广东邮电职业技术学院": [],
"广东金融学院": [
"广州金融高等专科学校"
],
}
基本任务就是这样，完整项目见这里schoolCard，有问题的朋友可以交流。
参考资料：
1.爱拼网iPIN：http://www.ipin.com/school/ranking.do
2.中国教育和科研计算机网：http://ziyuan.eol.cn/list.php?listid=128
3.教育部：http://www.moe.gov.cn/jyb_sy/