数据采集第二次实验
作业①:
- 要求:在中国气象网,给定城市集的7日天气预报,并保存在数据库。
- 输出信息:
序号 地区 日期 天气信息 温度 1 北京 7日(今天) 晴间多云,北部山区有阵雨或雷阵雨转晴转多云 31℃/17℃ 2 北京 8日(明天) 多云转晴,北部地区有分散阵雨或雷阵雨转晴 34℃/20℃ 3 北京 9日(后台) 晴转多云 36℃/22℃ 4 北京 10日(周六) 阴转阵雨 30℃/19℃ 5 北京 11日(周日) 阵雨 27℃/18℃ 6...... (1)爬取中国气象网网页内容
实验过程:
1.创建weather.db数据库,(代码如下)class WeatherDB: def openDB(self): self.con=sqlite3.connect("weathers.db") self.cursor=self.con.cursor() try: self.cursor.execute("create table weathers (wCity varchar(16),wDate varchar(16),wWeather varchar(64),wTemp varchar(32),constraint pk_weather primary key (wCity,wDate))") except: self.cursor.execute("delete from weathers") def closeDB(self): self.con.commit() self.con.close() def insert(self, city, date, weather, temp): try: self.cursor.execute("insert into weathers (wCity,wDate,wWeather,wTemp) values (?,?,?,?)", (city, date, weather, temp)) except Exception as err: print(err) def show(self): self.cursor.execute("select * from weathers") rows = self.cursor.fetchall() # print("%-16s%-16s%-32s%-16s" % ("city", "date", "weather", "temp")) for row in rows: print("%-16s%-16s%-32s%-16s" % (row[0], row[1], row[2], row[3]))
2.建立 WeatherForecast类,观察url:
url = "http://www.weather.com.cn/weather/" + self.cityCode[city] + ".shtml"
3.获取html,再爬取数据
req = urllib.request.Request(url, headers=self.headers) data = urllib.request.urlopen(req) data = data.read() dammit = UnicodeDammit(data, ["utf-8", "gbk"]) data = dammit.unicode_markup soup = BeautifulSoup(data, "html.parser") lis = soup.select("ul[class='t clearfix'] li") 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']")[0].text.strip()
运行结果
心得体会:
通过本次实验了解到了数据库的实现,爬虫较为简单
作业②:
- 要求:用requests和自选提取信息方法定向爬取股票相关信息,并存储在数据库中。
候选网站:东方财富网:https://www.eastmoney.com/
新浪股票:http://finance.sina.com.cn/stock/技巧:在谷歌浏览器中进入F12调试模式进行抓包,查找股票列表加载使用的url,并分析api
返回的值,并根据所要求的参数可适当更改api的请求参数。根据URL可观察请求的参数f1、
f2可获取不同的数值,根据情况可删减请求的参数。
输出信息:
| 序号 | 股票代码 | 股票名称 | 最新报价 | 涨跌幅 | 涨跌额 | 成交量 | 成交额 | 振幅 | 最高 | 最低 | 今开 | 昨收 |
| ------- | ------ | ---- | ----- | ------ | ----- | ------ | ---- | ----- | ---- | ----- | ---- | ----- |
| 1 | 688093 | N世华 | 28.47 | 62.22% | 10.92 | 26.13万 | 7.6亿 | 22.34 | 32.0 | 28.08 | 30.2 | 17.55 |
| 2...... | | | | | | | | | | | | |
(2)爬取股票相关信息
实验过程:
1.在谷歌浏览器中进入F12调试模式进行抓包,查找股票列表加载使用的urlurl = "http://59.push2.eastmoney.com/api/qt/clist/get?cb=jQuery1124004035526877987472_1634114986169\ &pn="+str(page)+"&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&fid=f3&fs=m:0+t:6,m:0+t:80,m:1+t:2,m:1+t:23&\ fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f20,f21,f23,f24,f25,f22,f11,f62,f128,f136,f115,f152&_=1634114986170"
2.用正则表达式提取数据
data = gethtml(page) str = data.decode('UTF-8') # print(str) Code = re.findall('"f12":"(.*?)"', str) # print(Code) Name = re.findall('"f14":"(.*?)"', str) # print(Name) Price = re.findall('"f2":(.*?),', str) # print(Price) Updown = re.findall('"f3":(.*?),', str) # print(Updown) Updownnumber = re.findall('"f4":(.*?),', str) # print(Updownnumber) Trade = re.findall('"f5":(.*?),', str) # print(Trade) Tradenumber = re.findall('"f6":(.*?),', str) # print(Tradenumber) Swing = re.findall('"f7":(.*?),', str) # print(Swing) Highest = re.findall('"f15":(.*?),', str) # print(Highest) Lowest = re.findall('"f16":(.*?),', str) # print(Lowest) Today = re.findall('"f17":(.*?),', str) # print(Today) Yesday = re.findall('"f18":(.*?),', str) # print(Yesday) for i in range(19): index = i + 1 # print(dealprice) self.db.insert(index, Code[i], Name[i], Price[i], Updown[i], Updownnumber[i], Trade[i], Tradenumber[i], Swing[i], Highest[i], Lowest[i], Today[i], Yesday[i]) # 这里展示一部分
3.利用数据库插入功能进行数据插入
self.db.insert(index, Code[i], Name[i], Price[i], Updown[i], Updownnumber[i], Trade[i], Tradenumber[i], Swing[i], Highest[i], Lowest[i], Today[i], Yesday[i])
至于创建数据库的过程与题目一类似,这里不做展示,见源代码
运行结果心得体会
本次作业与之前几次显然不同,刚刚开始感觉一头雾水,东方财富网页面包含的所有股票信息被分成了多个板块,导致我们无法直接通过网页的url爬取所有数据,因此本题采用动态抓包,使用f12进行抓包抓取js,分析得到数据对应的url就能实现爬取操作。紧接着可以通过严格的json格式,进行jsonSearch,或者正则表达式筛选信息都可以。
作业③:
- 要求:爬取中国大学2021主榜
https://www.shanghairanking.cn/rankings/bcur/2021
所有院校信息,并存储在数据库中,同时将浏览器F12调试分析的过程录制Gif加入至博客中。
技巧:分析该网站的发包情况,分析获取数据的api
输出信息:排名 学校 总分 1 清华大学 969.2 (3)爬取大学相关信息
实验过程:
1.获取页面urlurl = "https://www.shanghairanking.cn/rankings/bcur/2021"
2.对得到的数据进行正则匹配:
name = r'class="name-cn" data-v-b80b4d60>(.*?) </a>' # 匹配学校 score = r'<td data-v-6885f26d>\n.*?\n </td>' # 匹配总分 namelist = re.findall(name, data) scorelist = re.findall(score, data) for i in range(len(scorelist)): ulist.append([i+1, namelist[i], scorelist[i].split("\n")[1].strip()])
3.插入数据库(一样的操作)
for i in ulist: rank = i[0] name = i[1] score = i[2] self.db.insert(rank,name,score)
运行结果
心得体会
第三题所用的技术采用正则表达式分析。
gif:
- 要求:用requests和自选提取信息方法定向爬取股票相关信息,并存储在数据库中。