Python数据分析实验一：Python数据采集与存储

一、实验目的与要求

1、目的：

  理解抓取网页数据的一般处理过程；熟悉应用 Chrome 浏览器的工具分析网页的基本操作步骤；掌握使用 Requests 库获取静态网页的基本方法；掌握 Beautiful Soup 提取静态网页信息的主要技术。
  理解网络数据采集的 Robots 协议的基本要求，能合规地进行网络数据采集。

2、要求：

  编写一个网络爬虫，爬取某个网站的信息并存储到文件或数据库中。学生既可以使用 Requests/Beautiful Soup 库来实现信息采集，也可以自选其他爬虫技术，对爬取的网站也允许自选，但需要符合相关网站的规定。推荐如下的两个网址，可以选择其中之一采集网页上的信息：

（1）爬取 “中国南海网” 站点上的相关信息。

  图1是中国南海网上特定页面（http://www.thesouthchinasea.org.cn/about.html）的部分截图，请爬取该网页中某一栏目的内容并保存在一个TXT文件中，爬取结果如图2所示。

图1 中国南海网的网页截图   

图2 爬取网页上“概说南海”的文字效果图   

（2）爬取天气网站上的北京的历史天气信息。

  图3是天气网关于北京2019年9月份天气信息的部分截图，请爬取该网页（http://www.tianqihoubao.com/lishi/beijing/month/201909.html）中的天气信息并保存在一个 CSV 文件中，爬取结果如图4所示。

图3 天气网关于北京2019年9月份天气信息的部分截图   

图4 爬取并保存在CSV文件中的信息

二、实验过程

1、观察所爬取网站的Robots协议的相关内容：

https://www.baidu.com/robots.txt

2、网络爬虫抓取网页数据的一般处理过程：

（1）确定目标网站：首先，需要明确自己想要获取哪个网站上的数据。通常情况下，我们需要先通过浏览器访问该网站，并查看其源代码，以便更好地了解其网页结构和所需数据所在位置。
（2）分析目标网站：接着，需要对目标网站进行分析。这包括查看该网站的 robots.txt 文件，了解其对爬虫的限制；查看其页面结构和 URL 规则，以便编写相应的爬虫程序。
（3）编写爬虫程序：在确定了目标网站并分析了其结构后，就可以开始编写爬虫程序了。这需要使用一些编程语言和相关库来实现。在编写程序时，需要注意多线程处理、异常处理等问题。
（4）发送 HTTP 请求：在编写好爬虫程序后，就可以向目标网站发送 HTTP 请求了。这需要使用相应的库或工具来实现。在发送请求时，需要注意设置请求头、代理等参数，以避免被目标网站封禁。
（5）解析 HTML 页面：当爬虫程序成功获取到目标网站返回的响应后，就需要对其进行解析。这需要使用一些 HTML 解析器来实现。在解析页面时，需要注意处理页面中的各种标签、属性等信息，并将所需数据提取出来。
（6）存储数据：在提取出所需数据后，就需要将其存储下来。这可以使用各种数据库或文件系统来实现。在存储数据时，需要考虑数据格式、存储方式等问题。
（7）去重处理：由于同一个网站上可能存在多个相同的页面或数据，因此需要对已经获取过的页面或数据进行去重处理。

三、主要程序清单和运行结果

1、爬取 “中国南海网” 站点上的相关信息

import requests
from bs4 import BeautifulSoup# 发起请求
url = 'http://www.thesouthchinasea.org.cn/about.html'
response = requests.get(url)# 解析HTML内容
soup = BeautifulSoup(response.content, 'html.parser')# 查找包含标题为“概说南海”的元素
section = soup.find('h3', text='概说南海')if section:# 获取概说南海栏目标题和内容content = f"{section.get_text(strip=True)}\n\n"next_element = section.find_next_sibling()while next_element and next_element.name != "h3":if next_element.name == "p":  # 只获取段落内容paragraph_text = next_element.get_text(strip=True)paragraph_text = paragraph_text.replace("[更多]", "")content += paragraph_text + "\n"next_element = next_element.find_next()# 将内容存储到文件中with open('概说南海.txt', 'w', encoding='utf-8') as file:file.write(content)print('“概说南海”内容已成功爬取并保存到概说南海.txt文件中。')
else:print('未找到“概说南海”栏目的内容。')

  用于从指定的 URL（在这个例子中是http://www.thesouthchinasea.org.cn/about.html）爬取标题为“概说南海”的内容，并将这些内容保存到本地文件“概说南海.txt”中。这个过程涉及到发送 HTTP 请求、解析 HTML 内容、文本处理以及文件操作等多个环节。以下是对这个代码的简要分析：

• 发送HTTP请求：使用requests.get(url)向指定的URL发起GET请求，获取网页内容。

• 解析HTML内容：利用BeautifulSoup(response.content, 'html.parser')解析服务器返回的内容。这里，response.content得到的是原始的字节流，而'html.parser'是指定的解析器。

• 查找特定元素：通过soup.find('h3', text='概说南海')查找页面上文本为“概说南海”的<h3>标签，这是定位需要抓取内容的起点。

• 提取并处理内容：从找到的<h3>标签开始，遍历其后的同级元素，直到遇到下一个<h3>标签为止（或者没有更多同级元素）。在这个过程中，如果遇到的是<p>标签，则提取其文本内容，并去除其中的 “[更多]” 字符串。

• 保存到文件：将处理后的文本内容写入名为“概说南海.txt”的文件中，文件编码为UTF-8。

• 异常处理：如果在页面中没有找到标题为“概说南海”的部分，会打印提示信息。

  此脚本展示了 Python 在网络爬虫方面的应用，尤其是使用requests库进行网络请求和BeautifulSoup库进行 HTML 解析的实践。

2、爬取天气网站上的北京的历史天气信息

import requests
from bs4 import BeautifulSoup# 目标网页的URL
url = "http://www.tianqihoubao.com/lishi/beijing/month/201909.html"
# 使用requests库获取网页内容
response = requests.get(url)
# 使用BeautifulSoup解析获取到的网页内容
soup = BeautifulSoup(response.text, "html.parser")
# 在解析后的网页中找到包含天气信息的表格，假设它的class为"b"
weather_table = soup.find("table", class_="b")
# 从表格中找到所有的行（tr元素），跳过第一行（标题行）
rows = weather_table.find_all("tr")[1:]# 打开（或创建）一个名为"北京天气信息201909.csv"的文件用于写入
with open("北京天气信息201909.csv", mode="w", encoding="utf-8") as file:# 写入CSV文件头file.write("日期,温度,天气情况\n")# 遍历每一行天气数据for row in rows:columns = row.find_all("td")  # 在当前行中找到所有的单元格（td元素）date = columns[0].text.strip()  # 提取日期数据，并去除两端多余的空白字符temperature = ' '.join(columns[2].text.strip().split())  # 提取温度数据，将多余的空白字符替换为单个空格weather = ' '.join(columns[1].text.strip().split())  # 提取天气情况数据，同样将多余的空白字符替换为单个空格# 将提取的数据写入CSV文件的一行中# 注意CSV中的数据项通常由逗号分隔，如果数据本身包含逗号，则需要用引号包围该数据项file.write(f"{date},{temperature},{weather}\n")# 数据保存完成后打印提示信息
print("天气信息已保存在 北京天气信息201909.csv 文件中。")

  这段代码是用 Python 编写的一个简单的网络爬虫脚本，旨在从指定的网页中提取北京市2019年9月份的天气信息，并将提取到的数据保存到CSV文件“北京天气信息201909.csv”中。以下是对代码的简要分析：

• 发送HTTP请求：使用requests.get(url)向指定的URL发起GET请求，获取网页内容。

• 解析HTML内容：利用BeautifulSoup(response.text, 'html.parser')解析服务器返回的HTML内容。这里，response.text包含了网页的文本内容，而'html.parser'是指定的HTML解析器。

• 查找特定元素：通过soup.find("table", class_="b")查找页面上class为"b"的表格元素，用于定位包含天气信息的表格。

• 提取并处理内容：遍历表格中的每一行，提取日期、温度和天气情况数据，并进行适当的清洗（去除空白字符）。

• 保存到文件：将提取的天气信息按照CSV格式写入到名为“北京天气信息201909.csv”的文件中，每行包含日期、温度和天气情况。

• CSV文件格式：CSV文件中的数据项通常由逗号分隔，如果数据本身包含逗号，则需要用引号包围该数据项。

• 异常处理：代码中没有显式的异常处理逻辑，如果在实际运行中出现网络连接问题或者页面结构变化，可能会导致程序出错。

  请注意，网页的结构和内容经常会发生变化，因此需要定期检查和更新代码以适应目标网站的变化。同时，在实际应用中，也应该尊重网站的robots.txt协议，避免对网站造成不必要的负担。

四、程序运行结果

1、爬取 “中国南海网” 站点上的相关信息

运行结果：

2、爬取天气网站上的北京的历史天气信息

运行结果：

五、实验体会

  通过实践，对网络爬虫如何工作有一个直观的认识，包括如何发送 HTTP 请求、如何解析网页内容、如何提取和处理数据等。这个过程能更好地理解网络协议、网页结构（HTML、CSS、JavaScript）以及服务器响应等概念。
  在 Python 数据采集与存储实验中，你接触并使用多种第三方库，比如 requests 用于发起网络请求，BeautifulSoup 或 lxml 用于解析 HTML 文档，pandas 用于数据处理，sqlite3 或其他数据库模块用于数据存储等。这些库大大简化了数据采集和处理的过程，提高了开发效率。数据采集后的处理和存储是非常重要的一环。学会如何清洗数据、转换数据格式、有效地存储数据。这包括了解不同数据存储方式的特点，如文件存储（CSV、JSON等）、数据库存储（关系型数据库如 MySQL、SQLite ；非关系型数据库如 MongoDB）等。
  在进行网络爬虫实验的过程中，更加深切地意识到遵守目标网站的 robots.txt 协议、尊重版权、保护个人隐私等法律法规和伦理道德的重要性。这不仅是合法合规的要求，也是作为一名负责任的开发者应有的职业操守。