再见，高考；你好，大学（二）

正文

请到「今天看啥」查看全文

/// -H "User-Agent: Mozilla/5.0 (WindowsNT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.112Safari/537.36" /// -H "Accept: */*" /// -H "Referer:https://gkcx.eol.cn/soudaxue/queryschool.html?keyWord1=&schoolflag=&1=1&page=8" /// -H "Cookie: tool_ipuse=223.104.20.26;tool_ipprovince=21; tool_iparea=2" /// -H "Connection: keep-alive" /// -H "Cache-Control: max-age=0" /// --compressed

接下来，我们分两步收集国内两千多所高校的信息！

一、得到部分高校的基本信息

首先，我们用 fileread（） 函数把 txt 文件读入 stata ，并且利用正则表达式将所有的空白字符（包括空格、制表符、回车符、换行符等）删掉。

clear
set obs 1
gen v = fileread("temp.txt")
replace v = ustrregexra(v,"\s","")

这样我们就把整个 txt 文件里面的内容读入到一个单元格里，如下图：

我们将这一个观测值里面的内容复制到 word 中进行分析。

通过分析我们发现：在这里可以根据 ① 和 ④ 对这一个单元格的内容进行拆分、转置，这样一来，每一条观测值就只包含一所高校的基本信息。同时，我们可以看到，标号 ② 中 shoufei 和 jianjie 的内容比较杂乱，所以我们删掉每所高校中的这部分信息，标号 ③ 中 oldname 之后的内容没有意义，我们同样将其删掉。

split v , p(`"[{"'`"},{"')
drop v v1
sxpose,clear
replace _var1 = ustrregexra(_var1,`"(shoufei.+?")schoolcode"',"")
replace _var1 = ustrregexra(_var1,`"(oldname.+)"',"")

结果如下：

再根据逗号对 _var1 进行拆分：

split _var1,p(`","')
drop _var1

结果如下：

我们可以看到，在上图中每一个变量都是“ 变量名称+具体内容 ”的样式，接下来我们对每一个变量都进行如下操作：将变量名称提取出来放入局部宏里，替换 _var* ，并将观测值中的变量名称删除，只保留具体内容。

程序如下：

foreach c of varlist _all {
       if ustrregexm(`c',`""(.+?)":"') local varname = ustrregexs(1)
       cap rename `c' `varname'
       cap replace `varname' = ustrregexs(1) if ustrregexm(`varname',`"":"(.+)""')
}
drop _var*

将我们希望看到的变量排在前边，再将数据按照全国热度排序，这时我们就得到了我们想要的数据。

order schoolid ranking
destring(ranking),replace
sort ranking
save temp.dta,replace

结果如下：

请到「今天看啥」查看全文