欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python网页爬虫+简单的数据分析

程序员文章站 2024-01-26 20:19:34
python网页爬虫+简单数据分析1.我们今天爬取的目标网站是:http://pm25.in/2.需要爬取的目标数据是:该网站所有城市的空气质量数据(主要包括AQI、PM2.5/1h、PM10/1h、CO/1h、NO2/1h、O3/1h、O3/8h、SO2/1h)。3. 我们的最终目标是:将这些数据爬取出来,并写入到.csv/.xlsx文件中,最后通过读取.csv/.xlsx文件的数据,做一下简单的数据分析。使用的工具是Spyder(ps:个人觉得Spyder要PyCharm好使)一、数据爬取这...

python网页爬虫+简单的数据分析

1.我们今天爬取的目标网站是:http://pm25.in/
2.需要爬取的目标数据是:该网站所有城市的空气质量数据(主要包括AQI、PM2.5/1h、PM10/1h、CO/1h、NO2/1h、O3/1h、O3/8h、SO2/1h)。
3. 我们的最终目标是:将这些数据爬取出来,并写入到.csv/.xlsx文件中,最后通过读取.csv/.xlsx文件的数据,做一下简单的数据分析。
使用的工具是Spyder(ps:个人觉得Spyder要PyCharm好使)

一、数据爬取

这里我用到的库和模块比较多,所有代码量比较少。缺少相关模块的同学自行下载应用即可,这里推荐通过镜像网址(pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests)下载,下载速度会快很多,具体使用方法请参考https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
1. 引入该项目需要用到的相关库和模块

import requests
import csv
from bs4 import BeautifulSoup

2. 接下来写get_all_cities()函数,用来获取所有城市名称及url
其实这里应该先写主函数,不过为了演示效果就先写了get_all_cities()函数。
2.1 创建一个空列表city_list
2.2 通过requests.get(url)构造一个向服务器请求资源的Request对象,设置请求超时时间为60s。
2.3 这里我们指定Beautiful的解析器为“html.parser”
2.4 接下来就要爬取网站中所有城市名称了。以北京市为例,我们首先需要打开待爬取网站并查看网页代码,可以看到“北京”这个城市是隶属于第一个“bottom”,接下来就是将所有“bottom”下的城市全部获取,这里我们使用BeautifulSoup来获取。
python网页爬虫+简单的数据分析
2.5 将获取到的城市名称写入列表city_list中,具体代码如下:

def get_all_cites():
#获取所有城市及url
    url = 'http://pm25.in/'
    city_list = []
    r = requests.get(url, timeout=60)
    soup = BeautifulSoup(r.text, 'html.parser')

    city_div = soup.find_all('div',{'class':'bottom'})[1]  #查找该网页的第2个bottom
    city_link_list = city_div.find_all('a')
    for city_link in city_link_list:
        city_name = city_link.text
        city_pinyin  = city_link['href'][1:]               #查找city_link_list的herf并从第2个字符取出
        city_list.append((city_name,city_pinyin))
    return city_list
city_list = get_all_cites()
print(city_list)

2.6 我们先来看一下运行该段函数代码的结果是什么样的。
python网页爬虫+简单的数据分析
2.7 可以看到已经成功读取到该网站所有城市名称了。

3.下面写get_city_aqi()函数,用来获取所有城市的AQI值
3.1 以北京市为例,如下图,我们需要获取的数据是AQI对应的44、PM2.5/1h对应的25、PM10/1h对应的43、CO/1h对应的0.5…;
python网页爬虫+简单的数据分析
3.2 接下来就是如何获取具体的“value”和“caption”了。
python网页爬虫+简单的数据分析
3.3 我们先用requests.get(url)构造一个向服务器请求资源的Reques,请求超时时间设置为60s。同样指定Beautiful的解析器为“html.parser”。接着新建一个div_list用来存放按内容查找到的节点的数值。然后创建一个空的city_aqi列表来存放for循环获取到的所有AQI、PM2.5/1h、PM10/1h、CO/1h、NO2/1h、O3/1h、O3/8h、SO2/1h,最后返回并通过.append写入列表。

具体代码如下:

def get_city_aqi(city_pinyin):

    #获取城市AQI
    url = 'http://pm25.in/' + city_pinyin
    r = requests.get(url,timeout=60)
    soup = BeautifulSoup(r.text,'html.parser')
    div_list = soup.find_all('div',{'class':'span1'})

    city_aqi = []
    for i in range(8):
        div_content = div_list[i]
        caption = div_content.find('div',{'class','caption'}).text.strip()
        value = div_content.find('div',{'class','value'}).text.strip()
        city_aqi.append(value)
    return city_aqi

4. 接下来写main函数,调用前面写的两个功能函数实现数据爬取与写入
这部分内容不是很多,主要设计一些文件操作,对文件操作不熟悉的需要重新学习下python文件操作的基础知识。这里在代码中添加了一些爬取的进度提示并print到窗口,使得过程更贴合实际情况。
4.1 具体实现代码如下:

def main():
    city_list = get_all_cites()

    header = ['city','AQI','PM2.5/1h','PM10/1h','CO/1h','NO2/1h','O3/1h','O3/8h','SO2/1h']

    with open('china_city_aqi.csv','w',encoding='utf-8',newline='') as f:
        writer =csv.writer(f)
        writer.writerow(header)
        for i,city in enumerate(city_list):
            if (i+1)%10 == 0:
                print('已经处理{}条数据。(共有{}条数据)'.format(i+1,len(city_list)))
            city_name = city[0]
            city_pinyin = city[1]
            city_aqi = get_city_aqi(city_pinyin)
            row = [city_name]+city_aqi
            writer.writerow(row)

5. 最后写两行代码防止在被其他文件导入时显示多余的程序主体部分。

if __name__ == '__main__':
    main()

5. 最后看下运行结果。
最终爬取到的数据会写入到china_city_aqi.csv中,我们打开.csv文件看下结果是什么样的。
python网页爬虫+简单的数据分析

二、数据分析

上面我们已经成功爬取到网站的数据了,接下来我们对.csv文件中的数据进行分析。数据分析涉及的知识点非常多,这里只对空气质量指数数据做简单的排名分析。当然,也可以根据需要对所有城市的单项数据进行分析。
1. 引入该项目需要用到的相关库和模块

import pandas as pd
import matplotlib.pyplot as plt

2. 解决中文不能正常显示问题

#解决中文不能正常人显示问题
plt.rcParams['font.sans-serif']=['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

3. 接下来写main函数
主要涉及到python的图表操作和数据预处理,具体实现代码如下:

def main():
    aqi_data = pd.read_csv('china_city_aqi.csv')  #??csv??
    print('爬取数据类别')
    print(aqi_data.info())

    print('测试数据')
    print(aqi_data.head())

    #????????AQI???0???
    clean_aqi_data = aqi_data[aqi_data['AQI']>0]
    print('AQI最大值:',clean_aqi_data['AQI'].max())
    print('AQI最小值:',clean_aqi_data['AQI'].min())
    print('AQI平均值:',clean_aqi_data['AQI'].mean())

    #?????AQI?50????
    top_50_cities = clean_aqi_data.sort_values(by=['AQI']).head(50)
    top_50_cities.plot(kind='bar',x='city',y='AQI',title='AQI五十强',figsize=(32,18))
    plt.savefig('top_50_cities_bar.png')
    plt.show()

4. 最后写两行代码防止在被其他文件导入时显示多余的程序主体部分。

if __name__ == '__main__':
    main()

5. 看一下运行结果
python网页爬虫+简单的数据分析
python网页爬虫+简单的数据分析
附录:完整代码

# -*- coding: utf-8 -*-

import requests
import csv
from bs4 import BeautifulSoup
import pandas as pd
import matplotlib.pyplot as plt


#解决中文不能正常人显示问题
plt.rcParams['font.sans-serif']=['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False


def get_city_aqi(city_pinyin):

    #获取城市AQI
    url = 'http://pm25.in/' + city_pinyin
    r = requests.get(url,timeout=60)
    soup = BeautifulSoup(r.text,'html.parser')
    div_list = soup.find_all('div',{'class':'span1'})

    city_aqi = []
    for i in range(8):
        div_content = div_list[i]
        caption = div_content.find('div',{'class','caption'}).text.strip()
        value = div_content.find('div',{'class','value'}).text.strip()
        city_aqi.append(value)
    return city_aqi

def get_all_cites():
    #获取所有城市及url
    url = 'http://pm25.in/'
    city_list = []
    r = requests.get(url, timeout=60)
    soup = BeautifulSoup(r.text, 'html.parser')

    city_div = soup.find_all('div',{'class':'bottom'})[1]  #查找该网页的第2个bottom
    city_link_list = city_div.find_all('a')
    for city_link in city_link_list:
        city_name = city_link.text
        city_pinyin  = city_link['href'][1:]               #查找city_link_list的herf并从第2个字符取出
        city_list.append((city_name,city_pinyin))
    return city_list

def main():
    city_list = get_all_cites()

    header = ['city','AQI','PM2.5/1h','PM10/1h','CO/1h','NO2/1h','O3/1h','O3/8h','SO2/1h']

    with open('china_city_aqi.csv','w',encoding='utf-8',newline='') as f:
        writer =csv.writer(f)
        writer.writerow(header)
        for i,city in enumerate(city_list):
            if (i+1)%10 == 0:
                print('已经处理{}条数据。(共有{}条数据)'.format(i+1,len(city_list)))
            city_name = city[0]
            city_pinyin = city[1]
            city_aqi = get_city_aqi(city_pinyin)
            row = [city_name]+city_aqi
            writer.writerow(row)
    
    
    aqi_data = pd.read_csv('china_city_aqi.csv')  #??csv??
    print('爬取数据类别')
    print(aqi_data.info())

    print('测试数据')
    print(aqi_data.head())

    #????????AQI???0???
    clean_aqi_data = aqi_data[aqi_data['AQI']>0]
    print('AQI最大值:',clean_aqi_data['AQI'].max())
    print('AQI最小值:',clean_aqi_data['AQI'].min())
    print('AQI平均值:',clean_aqi_data['AQI'].mean())

    #?????AQI?50????
    top_50_cities = clean_aqi_data.sort_values(by=['AQI']).head(50)
    top_50_cities.plot(kind='bar',x='city',y='AQI',title='AQI五十强',figsize=(32,18))
    plt.savefig('top_50_cities_bar.png')
    plt.show()

if __name__ == '__main__':
    main()

各位的鼓励就是我创作的最大动力,如果哪里写的不对的,欢迎评论区留言进行指正,如有收获请给博主一个免费的赞鼓励下呗????

本文地址:https://blog.csdn.net/N2O_666/article/details/113992551