数据采集与融合技术-实验二

作业①:


    我的Gitee

  • 要求:在中国气象网

    http://www.weather.com.cn
    给定城市集的7日天气预报,并保存在数据库。

  • 输出信息:
    序号 地区 日期 天气信息 温度
    1 北京 7日(今天) 晴间多云,北部山区有阵雨或雷阵雨转晴转多云 31℃/17℃
    2 北京 8日(明天) 多云转晴,北部地区有分散阵雨或雷阵雨转晴 34℃/20℃
    3 北京 9日(后台) 晴转多云 36℃/22℃
    4 北京 10日(周六) 阴转阵雨 30℃/19℃
    5 北京 11日(周日) 阵雨 27℃/18℃
    6......

    (1)爬取中国气象网网页内容

    实验过程
    1.创建weather.db数据库,内涵开关,插入数据,打印数据的功能(代码如下)

    class WeatherDB:
        # 打开数据库
        def openDB(self):
            self.con=sqlite3.connect("weathers.db")
            self.cursor=self.con.cursor()
            try:
                self.cursor.execute("create table weathers (wCity varchar(16),wDate varchar(16),wWeather varchar(64),wTemp varchar(32),constraint pk_weather primary key (wCity,wDate))")
            except:
                self.cursor.execute("delete from weathers")
        # 关闭数据库
        def closeDB(self):
            self.con.commit()
            self.con.close()
        # 插入数据
        def insert(self, city, date, weather, temp):
            try:
                self.cursor.execute("insert into weathers (wCity,wDate,wWeather,wTemp) values (?,?,?,?)",
                                    (city, date, weather, temp))
            except Exception as err:
                print(err)
        # 打印数据
        def show(self):
                self.cursor.execute("select * from weathers")
                rows = self.cursor.fetchall()
                # print("%-16s%-16s%-32s%-16s" % ("city", "date", "weather", "temp"))
                # print(“{0:{4}^16}{1:{4}^16}{2:{4}^32}{3:{4}^32}”.format(“city”,“date”,“weather”,“temp”,chr(12288)))
                tplt = "{0:^10}\t{1:{4}^9}\t{2:{4}^16}\t{3:^7}"
                print("{0:^12}\t{1:^13}\t{2:^19}\t{3:^0}".format("city", "date", "weather", "temp", chr(12288)))
                for row in rows:
                    # print("%-16s%-16s%-32s%-16s" % (row[0], row[1], row[2], row[3]))
                    print(tplt.format(row[0], row[1], row[2], row[3], chr(12288)))
    

    2.建立 WeatherForecast类,通过观察url,得到以下代码:

    url = "http://www.weather.com.cn/weather/" + self.cityCode[city] + ".shtml"
    

    设定citycode

    self.cityCode = {"北京": "101010100", "福州": "101230101", "武汉": "101230101", "香港": "101320101"}
    

    3.通过urllib.request方法获取html,在通过beautiful soup方法爬取数据

    req = urllib.request.Request(url, headers=self.headers)
                        data = urllib.request.urlopen(req)
                        data = data.read()
                        dammit = UnicodeDammit(data, ["utf-8", "gbk"])
                        data = dammit.unicode_markup
                        soup = BeautifulSoup(data, "lxml")
                        lis = soup.select("ul[class='t clearfix'] li")
                        for li in lis:
                            try:
                                date = li.select('h1')[0].text
                                weather = li.select('p[class="wea"]')[0].text
                                temp = li.select("p[class='tem']")[0].text.strip()
    

    运行结果

    心得体会:

    通过本次实验了解到了创建数据库的类方法实现,至于爬虫部分运用的是之前经常使用的beautiful soup方法,较为熟练。

    作业②:


      我的Gitee

    • 要求:用requests和自选提取信息方法定向爬取股票相关信息,并存储在数据库中。

      候选网站:东方财富网:https://www.eastmoney.com/
      新浪股票:http://finance.sina.com.cn/stock/

      技巧:在谷歌浏览器中进入F12调试模式进行抓包,查找股票列表加载使用的url,并分析api
      返回的值,并根据所要求的参数可适当更改api的请求参数。根据URL可观察请求的参数f1、
      f2可获取不同的数值,根据情况可删减请求的参数。

      参考链接:[https://gitee.com/chen-benyuan/CHEN/blob/master/实验二/实验二作业三.py)


    • 输出信息:

      序号 股票代码 股票名称 最新报价 涨跌幅 涨跌额 成交量 成交额 振幅 最高 最低 今开 昨收
      1 688093 N世华 28.47 62.22% 10.92 26.13万 7.6亿 22.34 32.0 28.08 30.2 17.55
      2......

      (2)爬取股票相关信息

      实验过程
      1.在谷歌浏览器中进入F12调试模式进行抓包,查找股票列表加载使用的url

      url = "http://59.push2.eastmoney.com/api/qt/clist/get?cb=jQuery1124004035526877987472_1634114986169\
          &pn="+str(page)+"&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&fid=f3&fs=m:0+t:6,m:0+t:80,m:1+t:2,m:1+t:23&\
          fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f20,f21,f23,f24,f25,f22,f11,f62,f128,f136,f115,f152&_=1634114986170"
      

      2.导入JsonSearch,先通过正则表达式拆枝,将不是json格式的部分去除,在利用
      jsondata = JsonSearch(object=json2, mode='j'),调用jsondata=search_all_value方法

      pat = "jQuery1124004035526877987472_1634114986169    \((.*?)\)"
              str1 = re.compile(pat,re.S).findall(str)[0]
              json2 = json.loads(str1)
              jsondata = JsonSearch(object=json2, mode='j')
              Symbollist = jsondata.search_all_value(key='f12')
              namelist = jsondata.search_all_value(key='f14')
      # 这里展示一部分
      

      3.利用数据库插入功能进行数据插入

      self.db.insert( index,Symbollist[i], namelist[i], LastTradelist[i], Chglist[i], Changelist[i], Volume, Turnover, slist[i], helist[i], lelist[i], Openlist[i], PrevCloselist[i])
      

      至于创建数据库的过程与题目一类似,这里不做展示,见源代码
      运行结果

      心得体会

      本次作业与之前几次显然不同,刚刚开始感觉一头雾水,东方财富网页面包含的所有股票信息被分成了多个板块,导致我们无法直接通过网页的url爬取所有数据,因此本题采用动态抓包,使用f12进行抓包抓取js,分析得到数据对应的url就能实现爬取操作。紧接着可以通过严格的json格式,进行jsonSearch,或者正则表达式筛选信息都可以。

      作业③:


        我的Gitee

      • 要求:爬取中国大学2021主榜(https://www.shanghairanking.cn/rankings/bcur/2021)所 有院校信息,并存储在数据库中,同时将浏览器F12调试分析的过程录制Gif加入至博客中。 技巧:分析该网站的发包情况,分析获取数据的api
      • 输出信息:
        排名 学校 总分
        1 清华大学 969.2

        (3)爬取大学相关信息

        实验过程
        1.一页20个大学,可以考虑翻页,但也可以选择用抓包的方法,获取js

        url = "https://www.shanghairanking.cn/_nuxt/static/1632381606/rankings/bcur/2021/payload.js"
        

        2.对抓包得到的数据进行正则匹配:

        score = r'score:(.*?),'
                        scorelist = re.findall(score,data)
                        # print(scorelist)
                        name = r'univNameCn:"(.*?)"'
                        namelist = re.findall(name,data)
        

        部分学校总分数据有异常采用如下方法处理

         for i in range(len(namelist)):
                            try:
                                if 'a'<=scorelist[i]<='z' or 'A'<=scorelist[i]<='Z':
                                    ulist.append([i+1,namelist[i], "--"])
                                else:
                                    ulist.append([i + 1, namelist[i], scorelist[i]])
        

        原本以为是混入了乱码直接用--代替,后来发现与整个js文件首尾的键值对有关所以又做了以下处理:

                        key = re.findall(r'function\((.*?)\)', data)  # 获取键
                        str = ''.join(key)
                        key2 = str.split(',')
                        # print(key2)
                        value = re.findall(r'"",(.*?)\)', data)
                        str2 = ''.join(value)
                        # print(str2)
                        str3 = str2.replace('"',"")
                        # print(str3)
                        value2 = str3.split(',')
                        # print(value2) # 获取值
        

        获取了键值对后与srocelist和ranklist进行比较(这里特别处理了"h:一流学科"的错误)

                        for i in range(len(scorelist)):
                            for j in range(len(key2)):
                                if scorelist[i]==key2[j]:
                                    scorelist[i]=value2[j]
                                elif ranklist[i]==key2[j]:
                                    ranklist[i]=value2[j]
        
                        ranklist[210] = "211"
        

        3.插入数据库(一样的操作)
        运行结果

        更改后的结果

        可以与上面的结果进行对比,完美解决。(这里的图样式和上面的不太一样,原因是pycharm出了点毛病,被我重装了)

        心得体会

        第三题所用的技术与第二题类似,本次实验对于抓包有了全面的认识,第二题用search_all_value分析js,第三题则采用另一种正则表达式分析。

        gif:

posted @ 2021-10-18 20:19  Aplical  阅读(39)  评论(0编辑  收藏  举报