Python高级应用程序设计任务
Python高级应用程序设计任务要求
用Python实现一个面向主题的网络爬虫程序，并完成以下内容：
（注：每人一题，主题内容自选，所有设计内容与源代码需提交到博客园平台）
一、主题式网络爬虫设计方案（15分）
1.主题式网络爬虫名称
天气后报数据的爬取与分析
2.主题式网络爬虫爬取的内容与数据特征分析
爬取内容：爬取永春县近一个月来的天气信息
数据特征分析：分析永春县近一个月来的天气状况
3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）
1.通过开发者工具对查看所要爬取的页面的源码进行分析
2.利用python对页面进行信息爬取
3.进行数据分析
4.得出结论
技术难点：通过源码标签的分析提取出自己需要的数据
二、主题页面的结构特征分析（15分）
1.主题页面的结构特征
2.Htmls页面解析
具体的天气信息包含在td标签里，td标签包含在tr标签里，所有的tr标签又都包含在table标签里
3.节点（标签）查找方法与遍历方法
查找方法：
遍历方法：下行遍历
树结构：
三、网络爬虫程序设计（60分）
爬虫程序主体要包括以下各部分，要附源代码及较详细注释，并在每部分程序后面提供输出结果的截图。
1.数据爬取与采集
import requests, time, re, os from bs4 import BeautifulSoup import numpy as np import pandas as pd class TianQiHouBao(): def __init__(self, ): self.url_base = "http://www.tianqihoubao.com/weather/top/yongchun.html" #页面地址 self.dir_path = "tianqihoubao.txt" self.headers={'User-Agent':'self-defind-user-agent','Cookie':'name=self-define-cookies-in header'}#修改请求头 self.cnt=0#计数器 def download_pages(self): response = requests.get(self.url_base.format(id), headers=self.headers)#使用get方法爬取网页 response.encoding = 'gb2312'#修改编码方式 soup = BeautifulSoup(response.text, "html.parser")#把网页解析为BeautifulSoup对象 self.content = soup.find("div", id="content")#使用find()方法提取首个<div>元素，并放到变量self.content里 def get_data(self):#数据的提取 self.title = self.content.find('h1').text table = self.content.find("table", class_="b") self.data_list = [] for tr in table.find_all("tr")[2:]:#遍历 self.cnt += 1#遍历一次计数器加1 tds = tr.find_all("td") self.data_list.append({ 'City': tds[0].text.strip(), 'Date': tds[1].text.strip(), 'Day': {'Weather_condition':tds[2].text.strip(), 'Wind_direction':tds[3].text.strip(), 'Max_temperature':tds[4].text.strip()}, 'Night': {'Weather_condition':tds[5].text.strip(), 'Wind_direction':tds[6].text.strip(), 'Min_temperature':tds[7].text.strip()}, })#提取标签内的内容 # print(self.title) # print(self.data_list) def output(self): #数据的输出 data = [] for dict in self.data_list: data.append([re.sub(u'\\(.*?\\)','',dict['Date']), dict['Day']['Weather_condition'], dict['Day']['Wind_direction'], dict['Day']['Max_temperature'], dict['Night']['Weather_condition'], dict['Night']['Wind_direction'], dict['Night']['Min_temperature'] ]) df = pd.DataFrame( data=np.array(data), columns=['日期','天气状况', '风力方向', '最高温度', '天气状况', '风力方向', '最低温度'], index=[f"id_{i+1}" for i in range(len(data))], ) df.to_excel('{}.xls'.format(self.title), na_rep=True)#把信息存储到excel中 print("{}:\n {}\n".format(self.title, df.to_string())) def main(self):#主函数 print("start ...") self.download_pages() self.get_data() self.output() print("*********") print("Total：{}".format(self.cnt)) print("End Project！！！") if __name__=="__main__": TianQiHouBao().main()
输出结果：
2.对数据进行清洗和处理
1.导入数据集
import pandas as pd titanic=pd.DataFrame(pd.read_excel('永春历史天气查询 过去一个月天气预报.xls'))#导入数据集 titanic
输出结果：
2.删除无效列：
import pandas as pd titanic.drop('Unnamed: 0',axis=1,inplace=True) #删除列Unnamed:0 titanic.head()
输出结果：
3.重复值处理
titanic.duplicated()#重复值处理
输出结果：
4.后面好像也没有什么空值、空格值跟异常值需要处理
3.文本分析（可选）：jieba分词、wordcloud可视化
无
4.数据分析与可视化
（例如：数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等）
数据分析：可以直观的看出近一个月以来每天最高温度与最低温度的差值，最近一个月达到的最低温度为3摄氏度，最高达到了30摄氏度
数据可视化：
from matplotlib import pyplot as plt plt.plot(titanic.最高温度,'r') plt.plot(titanic.最低温度,'b')
输出结果：
5.数据持久化
6.附完整程序代码
import requests, time, re, os from bs4 import BeautifulSoup import numpy as np import pandas as pd class TianQiHouBao(): def __init__(self, ): self.url_base = "http://www.tianqihoubao.com/weather/top/yongchun.html" #页面地址 self.dir_path = "tianqihoubao.txt" self.headers={'User-Agent':'self-defind-user-agent','Cookie':'name=self-define-cookies-in header'}#修改请求头 self.cnt=0#计数器 def download_pages(self): response = requests.get(self.url_base.format(id), headers=self.headers)#使用get方法爬取网页 response.encoding = 'gb2312'#修改编码方式 soup = BeautifulSoup(response.text, "html.parser")#把网页解析为BeautifulSoup对象 self.content = soup.find("div", id="content")#使用find()方法提取首个<div>元素，并放到变量self.content里 def get_data(self):#数据的提取 self.title = self.content.find('h1').text table = self.content.find("table", class_="b") self.data_list = [] for tr in table.find_all("tr")[2:]:#遍历 self.cnt += 1#遍历一次计数器加1 tds = tr.find_all("td") self.data_list.append({ 'City': tds[0].text.strip(), 'Date': tds[1].text.strip(), 'Day': {'Weather_condition':tds[2].text.strip(), 'Wind_direction':tds[3].text.strip(), 'Max_temperature':tds[4].text.strip()}, 'Night': {'Weather_condition':tds[5].text.strip(), 'Wind_direction':tds[6].text.strip(), 'Min_temperature':tds[7].text.strip()}, })#提取标签内的内容 # print(self.title) # print(self.data_list) def output(self): #数据的输出 data = [] for dict in self.data_list: data.append([re.sub(u'\\(.*?\\)','',dict['Date']), dict['Day']['Weather_condition'], dict['Day']['Wind_direction'], dict['Day']['Max_temperature'], dict['Night']['Weather_condition'], dict['Night']['Wind_direction'], dict['Night']['Min_temperature'] ]) df = pd.DataFrame( data=np.array(data), columns=['日期','天气状况', '风力方向', '最高温度', '天气状况', '风力方向', '最低温度'], index=[f"id_{i+1}" for i in range(len(data))], ) df.to_excel('{}.xls'.format(self.title), na_rep=True)#把信息存储到excel中 print("{}:\n {}\n".format(self.title, df.to_string())) def main(self):#主函数 print("start ...") self.download_pages() self.get_data() self.output() print("*********") print("Total：{}".format(self.cnt)) print("End Project！！！") if __name__=="__main__": TianQiHouBao().main() import pandas as pd titanic=pd.DataFrame(pd.read_excel('永春历史天气查询 过去一个月天气预报.xls'))#导入数据集 titanic import pandas as pd titanic.drop('Unnamed: 0',axis=1,inplace=True) #删除列Unnamed:0 titanic.head() #数据可视化 from matplotlib import pyplot as plt plt.plot(titanic.最高温度,'r') plt.plot(titanic.最低温度,'b')
四、结论（10分）
1.经过对主题数据的分析与可视化，可以得到哪些结论？
通过对数据的分析，可以清晰的知道近一个月以来永春县的最高温度为30°C，最低温度为3°C，以及这个月以来温度的变化情况，一天中的温度差最高达到了15°C
2.对本次程序设计任务完成的情况做一个简单的小结。
通过这次的爬虫设计，使我对python网络爬虫有了更深一步的理解，可以通过源码的分析爬取一些简单的网页内容，这对我以后的毕业设计有很大的帮助。
浙公网安备 33010602011771号