Python实战教程:爬取中国天气网数据并深入分析
介绍
本教学文章将详细介绍如何使用Python来爬取中国天气网(http://www.weather.com.cn/)的天气数据,包括当天和未来14天的天气信息。我们将通过具体的步骤和代码示例,演示如何使用requests库发起HTTP请求,以及使用BeautifulSoup库解析HTML文档,最后使用pandas和matplotlib进行数据清洗、处理和可视化。
细分步骤与详细代码
第一步:环境准备
确保你的Python环境已经安装了requests
、BeautifulSoup
、pandas
、matplotlib
等库。如果没有安装,可以通过pip安装:
pip install requests beautifulsoup4 pandas matplotlib
第二步:确定数据来源
中国天气网的天气数据URL格式为:
http://www.weather.com.cn/weather/城市编号.shtml
http://www.weather.com.cn/weather/城市编号15d.shtml
其中,“城市编号”可以替换为不同的城市编码,例如北京为101010100。
第三步:爬取数据
我们将编写Python函数来请求网页并获取HTML内容。
import requests
from bs4 import BeautifulSoup
def get_html(url):
"""请求网页并返回HTML内容"""
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
response = requests.get(url, headers=headers, timeout=30)
response.raise_for_status()
return response.text
except requests.RequestException as e:
print(e)
return None
# 示例URL
url_today = 'http://www.weather.com.cn/weather/101010100.shtml'
url_14d = 'http://www.weather.com.cn/weather/10101010015d.shtml'
html_today = get_html(url_today)
html_14d = get_html(url_14d)
第四步:解析HTML并提取数据
使用BeautifulSoup解析HTML,并提取所需的数据。
def parse_html(html):
"""解析HTML并提取天气数据"""
if not html:
return []
bs = BeautifulSoup(html, 'html.parser')
# 假设这里我们只提取日期、天气、温度等基本信息
# 具体的解析方式需要根据实际HTML结构来编写
data = [] # 存储解析后的数据
# 这里是示例代码,具体实现需根据网页结构调整
# 例如,对于7天和14天的数据,可能需要分别处理
# 查找div标签id为'7d'或'15d'
# 提取7天数据示例
# div_7d = bs.find('div', {'id': '7d'})
# 遍历ul和li标签提取数据
# 提取当天数据示例
# 可能需要解析嵌套的script标签中的JSON数据
# 这里假设你已经知道如何提取数据,并存储在data列表中
# 示例:data.append([日期, 天气, 最高温, 最低温, ...])
return data
# 解析数据
data_today = parse_html(html_today)
data_14d = parse_html(html_14d)
第五步:数据清洗与处理
使用pandas对数据进行清洗和处理,如去除重复数据、处理缺失值等。
import pandas as pd
# 假设data_today和data_14d已经按照预期格式提取了数据
df_today = pd.DataFrame(data_today, columns=['日期', '天气', '最高温', '最低温'])
df_14d = pd.DataFrame(data_14d, columns=['日期', '天气', '最高温', '最低温'])
# 数据清洗示例:去除空值
df_today.dropna(inplace=True)
df_14d.dropna(inplace=True)
第六步:数据可视化
使用matplotlib库对清洗后的数据进行可视化,以便更直观地了解天气变化。
import matplotlib.pyplot as plt
# 绘制当天温度图
plt.figure(figsize=(10, 5))
plt.plot(df_today['日期'], df_today['最高温'], label='最高温', marker='o')
plt.plot(df_today['日期'], df_today['最低温'], label='最低温', marker='x')
plt.title('当天温度变化')
plt.xlabel('日期')
plt.ylabel('温度 (°C)')
plt.legend()
plt.grid(True)
plt.show()
# 绘制未来14天温度图(这里假设'日期'列是字符串,需要转换为日期类型以便排序)
df_14d['日期'] = pd.to_datetime(df_14d['日期'])
df_14d.sort_values(by='日期', inplace=True)
plt.figure(figsize=(15, 7))
plt.plot(df_14d['日期'], df_14d['最高温'], label='最高温', marker='o')
plt.plot(df_14d['日期'], df_14d['最低温'], label='最低温', marker='x')
plt.title('未来14天温度变化')
plt.xlabel('日期')
plt.ylabel('温度 (°C)')
plt.xticks(rotation=45) # 旋转x轴标签,避免重叠
plt.legend()
plt.grid(True)
plt.show()
第七步:数据保存
将处理后的数据保存到CSV文件中,方便后续分析和使用。
# 保存数据到CSV文件
df_today.to_csv('weather_today.csv', index=False)
df_14d.to_csv('weather_14d.csv', index=False)
第八步:注意事项与扩展
-
反爬虫机制:在实际应用中,许多网站都设置了反爬虫机制,如限制访问频率、验证码等。如果遇到这些问题,可能需要使用代理IP、设置合适的请求头、使用Selenium等工具来模拟浏览器行为。
-
法律与道德:在爬取任何网站的数据之前,请确保你的行为符合相关法律法规以及网站的robots.txt文件规定。尊重网站的数据版权和隐私政策。
-
数据更新:天气数据是实时更新的,因此如果你需要获取最新数据,需要定期运行你的爬虫程序。
-
错误处理:在编写爬虫时,应添加适当的错误处理逻辑,如网络请求失败、HTML结构变化等情况下的异常处理。
-
数据扩展:除了基本的天气信息外,你还可以尝试爬取更多维度的数据,如空气质量、风向风速、湿度等,以满足不同的分析需求。
通过以上步骤,你可以成功使用Python爬取并分析中国天气网的天气数据。希望这篇文章对你有所帮助!
最后需要完整代码和Python全套学习籽料的伙计可以扫描下方CSDN官方微信二维码进行获娶:
作者:编程咕咕gu-