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
爬取广州的2019第一季度天气
2.主题式网络爬虫爬取的内容与数据特征分析
爬取内容：最高气温，最低气温和天气状况。
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）
实现思路：1.确定目标 2.请求网页（requests库） 3.解析网页（BeautifulSoup库） 4.保存数据
技术难点：会因为字符或符号错误，导致运行失败；split切片还得学习；数据格式化的相关代码格式
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
3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）
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 from bs4 import BeautifulSoup import pandas as pd def get_data(url): #1.确定目标 #url = 'http://www.tianqihoubao.com/lishi/guangzhou/month/201901.html' # 2.请求网页 #文本形式返回网页源代码 resp = requests.get(url) #print(resp.text) #二进制返回网页内容 html = resp.content.decode('gbk') #3.解析网页 soup = BeautifulSoup(html,'html.parser') #print(soup) tr_list = soup.find_all('tr') #print(tr_list) dates,conditions,temp = [],[],[] #同步赋值 for data in tr_list[1:]: #切片 sub_data = data.text.split() #获取文字内容 print(sub_data) #数据追加，放进列表 dates.append(sub_data[0]) conditions.append(''.join(sub_data[1:3])) #join两个字符串拼接 print(conditions) temp.append(''.join(sub_data[3:6])) print(temp) #数据放进表格 _data = pd.DataFrame() _data['日期'] = dates _data['天气状况'] = conditions _data['气温'] = temp return _data data_1_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201901.html') data_2_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201902.html') data_3_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201903.html') #把表格拼接在一起（默认上下拼接） data = pd.concat([data_1_month,data_2_month,data_3_month]).reset_index(drop=True) #4.保存数据 data.to_csv('guangzhou.csv',index=False,encoding='utf-8') #get_data()
2.对数据进行清洗和处理
#读取数据 pd.read_csv('guangzhou.csv') data
#数据清洗 #空值检查 #data.isnull() (data.isnull()).sum()
#异常值处理 data.describe()
#数据处理 data['最高气温']=data['气温'].str.split('/',expand=True)[0] data['最低气温']=data['气温'].str.split('/',expand=True)[1] data.head()
#字符串处理 data['最高气温'] = data['最高气温'].map(lambda x:int(x.replace('℃',''))) data['最低气温'] = data['最低气温'].map(lambda x:int(x.replace('℃',''))) data
3.文本分析（可选）：jieba分词、wordcloud可视化
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）
import pandas as pd from matplotlib import pyplot as plt #解决中文问题 plt.rcParams['font.sans-serif'] = ['SimHei'] #解决负号显示问题 plt.rcParams['axes.unicode_minus'] = False %matplotlib inline #数据可视化 dates = data['日期'] highs = data['最高气温'] lows = data['最低气温'] #根据数据绘画图形 fig = plt.figure(dpi=128,figsize=(10,6)) plt.plot(dates, highs, c='red', alpha=0.5) plt.plot(dates, lows, c='blue', alpha=0.5) #绘图表区域着色 plt.fill_between(dates, highs, lows, facecolor='blue', alpha=0.2) #fill_etween(x, y, y,facecolor, alpha) #alpha值指定颜色的透明度（0为完全透明，1为完全不透明） #设置图形的样式 plt.title('2019第一季度天气', fontsize=24) plt.xlabel('日期', fontsize=12) fig.autofmt_xdate() #绘制斜的日期标签，以免重叠 plt.ylabel('气温', fontsize=12) plt.tick_params(axis='both', which='major', labelsize=10) #修改刻度 plt.xticks(dates[::20]) #显示2019年每日最高气温折线图 plt.show()
#图形样式 #显示大小，宽高 fig = plt.figure(dpi=128,figsize=(10,6)) plt.scatter(dates, highs) plt.title('2019第一季度天气', fontsize=24) plt.xlabel('日期', fontsize=12) fig.autofmt_xdate() #绘制斜的日期标签，以免重叠 plt.ylabel('气温', fontsize=12) #修改刻度 plt.xticks(dates[::20]) #显示气温与最高温度的散点图 plt.show()
import seaborn as sns #小提琴图 sns.violinplot(data['最高气温'])
sns.violinplot(data['最低气温'])
#直方图 sns.distplot(data['最高气温'])
#最低气温直方图 sns.distplot(data['最低气温'])
5.数据持久化
6.附完整程序代码
import requests from bs4 import BeautifulSoup import pandas as pd from matplotlib import pyplot as plt import seaborn as sns def get_data(url): #1.确定目标 #url = 'http://www.tianqihoubao.com/lishi/guangzhou/month/201901.html' # 2.请求网页 #文本形式返回网页源代码 resp = requests.get(url) #print(resp.text) #二进制返回网页内容 html = resp.content.decode('gbk') #3.解析网页 soup = BeautifulSoup(html,'html.parser') #print(soup) tr_list = soup.find_all('tr') #print(tr_list) dates,conditions,temp = [],[],[] #同步赋值 for data in tr_list[1:]: #切片 sub_data = data.text.split() #获取文字内容 print(sub_data) #数据追加，放进列表 dates.append(sub_data[0]) conditions.append(''.join(sub_data[1:3])) #join两个字符串拼接 print(conditions) temp.append(''.join(sub_data[3:6])) print(temp) #数据放进表格 _data = pd.DataFrame() _data['日期'] = dates _data['天气状况'] = conditions _data['气温'] = temp return _data data_1_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201901.html') data_2_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201902.html') data_3_month = get_data('http://www.tianqihoubao.com/lishi/guangzhou/month/201903.html') #把表格拼接在一起（默认上下拼接） data = pd.concat([data_1_month,data_2_month,data_3_month]).reset_index(drop=True) #4.保存数据 data.to_csv('guangzhou.csv',index=False,encoding='utf-8') #get_data() #读取数据 pd.read_csv('guangzhou.csv') data #数据清洗 #空值检查 #data.isnull() (data.isnull()).sum() #异常值处理 data.describe() #数据处理 data['最高气温']=data['气温'].str.split('/',expand=True)[0] data['最低气温']=data['气温'].str.split('/',expand=True)[1] data.head() #字符串处理 data['最高气温'] = data['最高气温'].map(lambda x:int(x.replace('℃',''))) data['最低气温'] = data['最低气温'].map(lambda x:int(x.replace('℃',''))) data #解决中文问题 plt.rcParams['font.sans-serif'] = ['SimHei'] #解决负号显示问题 plt.rcParams['axes.unicode_minus'] = False %matplotlib inline #数据可视化 dates = data['日期'] highs = data['最高气温'] lows = data['最低气温'] #根据数据绘画图形 fig = plt.figure(dpi=128,figsize=(10,6)) plt.plot(dates, highs, c='red', alpha=0.5) plt.plot(dates, lows, c='blue', alpha=0.5) #绘图表区域着色 plt.fill_between(dates, highs, lows, facecolor='blue', alpha=0.2) #fill_etween(x, y, y,facecolor, alpha) #alpha值指定颜色的透明度（0为完全透明，1为完全不透明） #设置图形的样式 plt.title('2019第一季度天气', fontsize=24) plt.xlabel('日期', fontsize=12) fig.autofmt_xdate() #绘制斜的日期标签，以免重叠 plt.ylabel('气温', fontsize=12) plt.tick_params(axis='both', which='major', labelsize=10) #修改刻度 plt.xticks(dates[::20]) #显示2019年每日最高气温折线图 plt.show() #图形样式 #显示大小，宽高 fig = plt.figure(dpi=128,figsize=(10,6)) plt.scatter(dates, highs) plt.title('2019第一季度天气', fontsize=24) plt.xlabel('日期', fontsize=12) fig.autofmt_xdate() #绘制斜的日期标签，以免重叠 plt.ylabel('气温', fontsize=12) #修改刻度 plt.xticks(dates[::20]) #显示气温与最高温度的散点图 plt.show() #小提琴图 sns.violinplot(data['最高气温']) sns.violinplot(data['最低气温']) #直方图 sns.distplot(data['最高气温']) #最低气温直方图 sns.distplot(data['最低气温'])
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？
（1）1月份中旬温差最大
（2）广州即使是冬天温度也没有零下摄氏度
（3）最高温度集中在20摄氏度到25摄氏度之间，最低气温在15摄氏度左右
2.对本次程序设计任务完成的情况做一个简单的小结。
经过这次的爬虫任务，复习了学过的知识，并运用到实际中，收获很多，还有很多内容需要继续学习的，爬取数据太少，还有待提高。