首页 > 其他分享 >数据采集与融合实践二

数据采集与融合实践二

时间:2023-10-17 16:58:44浏览次数:43  
标签:city self driver 融合 实践 采集 print div data

作业一.天气预报

1.内容

代码如下:

import requests
from bs4 import BeautifulSoup
import sqlite3
import logging

logging.basicConfig(level=logging.INFO)

class WeatherDB:
    def __init__(self, db_name):
        self.db_name = db_name

    def __enter__(self):
        self.con = sqlite3.connect(self.db_name)
        self.cursor = self.con.cursor()
        self.create_table()
        return self

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.con.commit()
        self.con.close()

    def create_table(self):
        self.cursor.execute(
            "CREATE TABLE IF NOT EXISTS weathers (wCity VARCHAR(16), wDate VARCHAR(16), wWeather VARCHAR(64), wTemp VARCHAR(32), PRIMARY KEY (wCity, wDate))")

    def insert(self, city, date, weather, temp):
        try:
            self.cursor.execute("INSERT INTO weathers (wCity, wDate, wWeather, wTemp) VALUES (?, ?, ?, ?)",
                                (city, date, weather, temp))
        except sqlite3.IntegrityError:
            logging.warning(f"Duplicate entry for {city} on {date}")
        except Exception as e:
            logging.error(str(e))

class WeatherForecast:
    def __init__(self):
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"}
        self.cityCode = {"北京": "101010100", "上海": "101020100", "广州": "101280101", "深圳": "101280601", "福州": "101230101"}

    def get_forecast(self, city):
        if city not in self.cityCode:
            logging.error(f"{city} code cannot be found")
            return None

        url = f"http://www.weather.com.cn/weather/{self.cityCode[city]}.shtml"
        response = requests.get(url, headers=self.headers)
        if response.status_code != 200:
            logging.error(f"Failed to get data for {city}")
            return None

        response.encoding = 'utf-8'  # Ensure using UTF-8 encoding
        soup = BeautifulSoup(response.text, 'lxml')
        lis = soup.select("ul[class='t clearfix'] li")

        forecasts = []
        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"] span')[0].text + "/" + li.select('p[class="tem"] i')[0].text
                forecasts.append((city, date, weather, temp))
            except Exception as e:
                logging.error(f"Error processing data for {city}: {str(e)}")
        return forecasts

    def print_forecasts(self, city):
        forecasts = self.get_forecast(city)
        if forecasts:
            print(f"{city}天气信息:")
            print("序号\t日期\t\t天气信息\t温度")
            for i, (c, date, weather, temp) in enumerate(forecasts, start=1):
                print(f"{i}\t{date}\t{weather}\t{temp}")
        else:
            print(f"No forecast data available for {city}")

with WeatherDB("weathers.db") as db:
    wf = WeatherForecast()
    for city in ["北京", "上海", "广州", "深圳", "福州"]:
        forecasts = wf.get_forecast(city)
        if forecasts:
            for forecast in forecasts:
                db.insert(*forecast)
            wf.print_forecasts(city)  # Print weather forecast

logging.info("Completed")

结果如下:

2.心得

第一题即对书中内容复现,从中我学习到的是如何利用bs4库将数据从网站中爬取后,利用sqlite3的数据库将数据持久化

作业二.股票爬取

1.内容

import time
import pandas as pd
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service

def fetch_stock_data(num_pages_to_scrape=5):
    print(f"开始运行脚本,将爬取前 {num_pages_to_scrape} 页的股票数据...")
    service = Service(executable_path="C:/Users/668/Desktop/chromedriver-win64/chromedriver.exe")
    driver = webdriver.Chrome(service=service)

    print("打开网页...")
    url = 'http://quote.eastmoney.com/center/gridlist.html#sz_a_board'
    driver.get(url)

    print("等待页面加载...")
    time.sleep(10)

    all_data = pd.DataFrame()

    for _ in range(num_pages_to_scrape):
        try:
            print(f"开始抓取第 {_+1} 页的股票数据...")
            time.sleep(2)

            table = driver.find_element(By.XPATH, '/html/body/div[1]/div[2]/div[2]/div[5]/div/table')
            table_html = table.get_attribute('outerHTML')
            df = pd.read_html(table_html, header=0, converters={'代码': str})[0]
            df = df.drop(columns=['相关链接', '加自选'])
            df['代码'] = df['代码'].apply(lambda x: "'" + str(x).zfill(6))
            all_data = pd.concat([all_data, df], ignore_index=True)

            next_button = driver.find_element(By.XPATH, '//a[text()="下一页"]')
            next_button.click()
            time.sleep(2)

        except Exception as e:
            print(f"抓取第 {_+1} 页股票数据时出错:{e}")
            break

    print("股票数据抓取完成!")
    all_data.to_csv('stocks.csv', index=False, encoding='utf-8-sig')
    print("数据已保存到 'stocks.csv' 文件。")
    driver.quit()

fetch_stock_data()

代码分析:
这是一个使用Python和Selenium库爬取股票数据的脚本。具体而言,它首先打开了东方财富网的股票列表页面,然后循环遍历前num_pages_to_scrape(默认为5)页的股票数据,将每页的股票数据抓取到一个Pandas DataFrame中,最后将所有DataFrame合并成一个大的DataFrame,并将结果保存到名为'stocks.csv'的文件中。

以下是关于代码的一些解释:

  1. Servicewebdriver.Chrome:这两行是设置Chrome浏览器驱动,以便使用Selenium库进行网页操作。
  2. driver.get(url):打开指定的URL,这里是东方财富网的股票列表页面。
  3. table = driver.find_element(By.XPATH, '/html/body/div[1]/div[2]/div[2]/div[5]/div/table'):找到表格元素,这里是整个页面的中心内容,包含所有股票数据。
  4. table_html = table.get_attribute('outerHTML'):获取表格的HTML代码。
  5. pd.read_html(table_html, header=0, converters={'代码': str})[0]:将HTML代码转换为Pandas DataFrame,header=0表示第一行是表头,converters={'代码': str}表示将'代码'列转换为字符串类型。
  6. df = df.drop(columns=['相关链接', '加自选']):删除不需要的列。
  7. df['代码'] = df['代码'].apply(lambda x: "'" + str(x).zfill(6)):将股票代码转换为字符串,并在左侧填充零,使其长度为6位。
  8. all_data = pd.concat([all_data, df], ignore_index=True):将当前页面的DataFrame合并到all_data中,ignore_index=True表示忽略原来的索引。
  9. next_button = driver.find_element(By.XPATH, '//a[text()="下一页"]'):找到下一页按钮。
  10. next_button.click():点击下一页按钮。
  11. all_data.to_csv('stocks.csv', index=False, encoding='utf-8-sig'):将最终的DataFrame保存到名为'stocks.csv'的文件中,index=False表示不保存索引。

结果如下:


2.心得

在初次写程序时一直报错没有找到原因,后面发现是新版本selenium定位元素以及语法的更新导致的,对进入F12进行抓包,查找使用的url,并分析api返回的值的方法有了一定了解

作业三.大学排名

1.内容

点击查看代码
import time
import pandas as pd
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service

def scrape_university_rankings(url, out_file):
    print(f"开始爬取 {url},并将结果保存到 {out_file}...")
    service = Service(executable_path="C:/Users/668/Desktop/chromedriver-win64/chromedriver.exe")
    driver = webdriver.Chrome(service=service)
    driver.get(url)

    all_data = []

    while True:
        try:
            print("爬取当前页大学数据...")
            time.sleep(2)

            rows = driver.find_elements(By.XPATH, '//tbody/tr')
            for row in rows:
                columns = row.find_elements(By.TAG_NAME, 'td')
                ranking = int(columns[0].text)
                university = columns[1].text
                province = columns[2].text
                type_ = columns[3].text
                score = float(columns[4].text)
                all_data.append([ranking, university, province, type_, score])

            next_page_button = driver.find_element(By.XPATH, '/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/ul/li[9]')
            if next_page_button.get_attribute('class') == 'ant-pagination-disabled ant-pagination-next':
                break
            next_page_button.click()
            time.sleep(2)

        except Exception as e:
            print(f"爬取大学数据出错:{e}")
            break

    df = pd.DataFrame(all_data, columns=['排名', '学校', '省市', '类型', '总分'])
    df.to_csv(out_file, index=False, encoding='utf-8-sig')
    print(f"数据已保存到 '{out_file}' 文件。")
    driver.quit()

scrape_university_rankings("https://www.shanghairanking.cn/rankings/bcur/2021", "universities.csv")

代码分析如下: 此代码定义了一个名为`scrape_university_rankings`的函数,用于爬取大学排名数据并将其保存到CSV文件中。参数包括网址(url)和输出文件路径(out_file)。

以下是关于代码的一些解释:

  1. service = Service(executable_path="C:/Users/668/Desktop/chromedriver-win64/chromedriver.exe"):设置Chrome浏览器驱动,以便使用Selenium库进行网页操作。
  2. driver = webdriver.Chrome(service=service):创建Chrome浏览器实例。
  3. driver.get(url):打开指定的URL,这里是大学排名页面。
  4. all_data = []:初始化一个空列表,用于存储爬取的大学数据。
  5. while True::开始无限循环,直到爬取到最后一页。
  6. rows = driver.find_elements(By.XPATH, '//tbody/tr'):找到表格的所有行。
  7. for row in rows::遍历行。
  8. columns = row.find_elements(By.TAG_NAME, 'td'):找到当前行中的所有单元格。
  9. ranking = int(columns[0].text):获取排名,并将其转换为整数。
  10. university = columns[1].text:获取大学名称。
  11. province = columns[2].text:获取省份。
  12. type_ = columns[3].text:获取类型。
  13. score = float(columns[4].text):获取总分,并将其转换为浮点数。
  14. all_data.append([ranking, university, province, type_, score]):将爬取的数据添加到all_data列表中。
  15. next_page_button = driver.find_element(By.XPATH, '/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/ul/li[9]'):找到下一页按钮。
  16. if next_page_button.get_attribute('class') == 'ant-pagination-disabled ant-pagination-next'::如果下一页按钮不可点击,说明已经爬取到最后一页,此时跳出循环。
  17. next_page_button.click():点击下一页按钮。
  18. df = pd.DataFrame(all_data, columns=['排名', '学校', '省市', '类型', '总分']):将all_data列表转换为Pandas DataFrame。
  19. df.to_csv(out_file, index=False, encoding='utf-8-sig'):将DataFrame保存到指定的CSV文件中。
  20. driver.quit():退出浏览器。

结果如下:


2.心得

学会使用selenium来获取网页中的大学排名信息。需要注意的是,selenium的使用需要安装相应的浏览器驱动,如ChromeDriver

标签:city,self,driver,融合,实践,采集,print,div,data
From: https://www.cnblogs.com/beizhe111/p/17769972.html

相关文章

  • Amazon MSK 可靠性最佳实践
    1.AmazonMSK介绍Kafka作为老牌的开源分布式事件流平台,已经广泛用于如数据集成,流处理,数据管道等各种应用中。 亚马逊云科技也于2019年2月推出了ApacheKafka的云托管版本,AmazonMSK(ManagedStreamingforApacheKafka)。相较于传统的自建式Kafka集群,MSK有如下几点优势:快速......
  • Git 流程优化-实践
    用gitcz代替gitcommit操作全局安装npminstall-gcommitizencz-conventional-changelognpmi-gcz-customizable写入配置echo'{"path":"cz-customizable"}'>~/.czrc在项目根目录下写入文件.cz-config.jsmodule.exports={//可选类型typ......
  • 优维产品使用最佳实践:实例拓扑
    背景实例拓扑可以帮助我们直观地了解整个系统的架构和组成情况,该拓扑图是通过已有的实例的关联关系自动生成,当实例数据和关系变化时拓扑图也能实时更新,我们可以快速直观的查看当前实例下所有资源的之间的网状关系和资源数量。实例拓扑支持以下功能:过滤实例,可以只看符合的规则的实......
  • 回归测试的实践与思考
    上周写了一篇关于测试过程效率演变的文章,其中聊了很多过程改进的方法。比如:需求阶段应该做好评审和风险预案;研发阶段应该做好质量卡点,持续集成流水线以及为研发自测做好辅助工作;测试阶段的重点是测试计划和质量门禁,同时关注线上的发布质量,通过线上巡检和监控,持续提升测试过程效率......
  • AI为锚,创新为帆,谱写数实融合发展新篇章
    云聚园区,智享未来。9月27日,在苏州工业园区管理委员会、华为云计算技术有限公司的指导下,由SISPARK(苏州国际科技园)、华为(苏州)人工智能创新中心联合主办,东北大学工业智能与系统优化国家级前沿科学中心、浙江大学协办的“华为云杯”2023人工智能应用创新大赛闭幕式暨颁奖活动在......
  • Linux内核进程管理与调度:策略优化与实践分析
    Linux内核进程管理与调度:策略优化与实践分析原创 李斌 嵌入式悦翔园 2023-05-0611:40 发表于上海关注★星标公众号,第一时间获取信息嵌入式悦翔园本公众号专注于嵌入式技术,包括但不限于STM32、Arduino、51单片机、物联网、Linux等编程学习笔记,同时,公众号内包含大量......
  • 低温下安装振弦采集仪注意事项
    低温下安装振弦采集仪注意事项振弦采集仪是一种用于测量和监测结构物振动状态的设备,通常用于桥梁、大型建筑物、风力发电机、船舰等设施的监测和评估。在一些寒冷地区,设施的使用环境会面临低温的挑战,因此在安装振弦采集仪时需要注意以下事项。 1.保护振弦采集仪免受冻害振......
  • Qt/C++编写物联网组件/支持modbus/rtu/tcp/udp/websocket/mqtt/多线程采集
    一、功能特点支持多种协议,包括Modbus_Rtu_Com/Modbus_Rtu_Tcp/Modbus_Rtu_Udp/Modbus_Rtu_Web/Modbus_Tcp/Modbus_Udp/Modbus_Web等,其中web指websocket。支持多种采集通讯方式,包括串口和网络等,可自由拓展其他方式。自定义采集间隔(精确到毫秒)和超时次数,超时后自动将离线的文件......
  • 基于北斗融合技术的开源智能公交调度系统技术方案
     一、概述智能公交调度系统是一个集成了先进通信技术、数据处理技术和人工智能技术的管理系统,旨在提高公交车的运营效率、减少误点和乘客等待时间,同时提升公交服务水平。 二、技术方案通信技术:该系统主要采用4G/5G无线通信技术,实现数据的实时传输和指令的即时接收。此外,......
  • 可观测 AIOps 的智能监控和诊断实践丨QCon 全球软件开发大会总结
    作者:董善东(梵登)本文是作者于9月5日在QCon北京2023(全球软件开发大会)上做的《阿里云可观测AIOps的智能监控和诊断实践》专题演讲文字版。大家上午好,很高兴可以在QCon稳定性和可观测的场子来分享阿里云可观测AIOps的智能监控和诊断实践。我是来自阿里云云原生可观测团队......