python+selenium定時爬取丁香園的新型冠狀病毒資料並製作出類似的地圖（部署到雲伺服器）
阿新 • • 發佈：2020-02-10
前言
硬要說這篇文章怎麼來的，那得先從那幾個吃野味的人開始說起…… 前天睡醒：假期還有幾天；昨天睡醒：假期還有十幾天；今天睡醒：假期還有一個月…… 每天過著幾乎和每個假期一樣的宅男生活，唯一不同的是玩手機已不再是看劇、看電影、打遊戲了，而是每天都在關注著這次新冠肺炎疫情的新聞訊息，真得希望這場戰“疫”快點結束，讓我們過上像以前一樣的生活。武漢加油！中國加油！！
本次爬取的網站是丁香園點選跳轉，相信大家平時都是看這個的吧。
一、準備
python3.7
- selenium：自動化測試框架，直接pip install selenium安裝即可
- pyecharts：以一切皆可配置而聞名的python封裝的js畫圖工具，其官方文件寫的很詳細了點選跳轉。
- 直接pip install pyecharts安裝即可，同時還需安裝以下地圖的包：
世界地圖：pip install echarts-countries-pypkg 中國地圖：pip install echarts-china-provinces-pypkg 中國城市地圖：pip install echarts-china-cities-pypkg
雲伺服器
二、爬取資料+畫圖
第一步、分析頁面
先用個requests模組請求一下，看能不能拿到資料：
import requests
url='https://ncov.dxy.cn/ncovh5/view/pneumonia_peopleapp?from=timeline&isappinstalled=0'
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/79.0.3945.88 Safari/537.36'}
r=requests.get(url,headers=headers)
print(r.text)發現數據是亂碼的並且注意到末尾處有如下字樣：
<noscript>You need to enable JavaScript to run this app.</noscript>
意思是需要執行js程式碼，百度了一下發現這個頁面應該是用react.js來開發的。限於自身技術能力，這個時候，我就只能用selenium了，它是完全模擬瀏覽器的操作，也即能執行js程式碼。
並且我需要拿到的資料並不多，也就一個頁面而已，所以耗時也可以接受。
那麼我要拿哪些資料呢，如下：
- 截至當前時間的全國資料統計
- 病毒相關描述資訊
- 全國各個省份及其城市的所有資料
- 全世界各個地區的資料
經過檢視，發現這幾處需要進行點選，才能獲取到更多資料資訊：
第二步、編寫程式碼
匯入相關包：
from selenium import webdriver from selenium.webdriver.common.action_chains import ActionChains from selenium.webdriver.common.keys import Keys import parsel import time import json import os import datetime import pyecharts from pyecharts import options as opts
定義爬取資料、儲存資料的函式：
def get_save_data():
'''
部署到雲伺服器上時，注意:要安裝pyvirtualdisplay模組，
並且把下面的前5條註釋掉的程式碼給去掉註釋，再執行，不然會報錯。
'''
#from pyvirtualdisplay import Display
#display = Display(visible=0,size=(800,600))
#display.start()
options=webdriver.ChromeOptions()
#options.add_argument('--disable-gpu')
#options.add_argument("--no-sandbox")
options.add_argument('--headless') #採用無頭模式進行爬取
d=webdriver.Chrome(options=options)
d.get('https://ncov.dxy.cn/ncovh5/view/pneumonia_peopleapp?from=timeline&isappinstalled=0')
time.sleep(2)
ActionChains(d).move_to_element(d.find_element_by_xpath('//p[@class="mapTap___1k3MH"]')).perform()
time.sleep(2)
d.find_element_by_xpath('//span[@class="openIconView___3hcbn"]').click()
time.sleep(2)
for i in range(3):
mores=d.find_elements_by_xpath('//div[@class="areaBox___3jZkr"]')[1].find_elements_by_xpath('./div')[3:-1]
ActionChains(d).move_to_element(d.find_element_by_xpath('//div[@class="rumorTabWrap___2kiW4"]/p')).perform()
mores[i].click()
time.sleep(2)
response=parsel.Selector(d.page_source)
china=response.xpath('//div[@class="areaBox___3jZkr"]')[0]
world=response.xpath('//div[@class="areaBox___3jZkr"]')[1]
# 下面是病毒相關描述資訊的獲取與處理
content=response.xpath('//div[@class="mapTop___2VZCl"]/div[1]//text()').getall()
s=''
for i,j in enumerate(content):
s=s+j
if (i+1)%2 == 0:
s=s+'\n'
if j in ['確診','疑似','重症','死亡','治癒']:
s=s+'\n'
now=s.strip()
msg=response.xpath('//div[@class="mapTop___2VZCl"]/div//text()').getall()
s=''
for i in msg:
if i not in now:
s=s+i+'\n'
msg=s.strip()
content=msg+'\n\n'+now
# 下面是全國資料的獲取
china_data=[]
for div_list in china.xpath('./div')[2:-1]:
flag=0
city_list=[]
for div in div_list.xpath('./div'):
if flag == 0:
if div.xpath('./p[1]/text()').get() is not None:
item={}
item['省份']=div.xpath('./p[1]/text()').get()
item['確診']=div.xpath('./p[2]/text()').get() if div.xpath('./p[2]/text()').get() is not None else '0'
item['死亡']=div.xpath('./p[3]/text()').get() if div.xpath('./p[3]/text()').get() is not None else '0'
item['治癒']=div.xpath('./p[4]/text()').get() if div.xpath('./p[4]/text()').get() is not None else '0'
flag=1
else:
if div.xpath('./p[1]/span/text()').get() is not None:
temp={}
temp['城市']=div.xpath('./p[1]/span/text()').get()
temp['確診']=div.xpath('./p[2]/text()').get() if div.xpath('./p[2]/text()').get() is not None else '0'
temp['死亡']=div.xpath('./p[3]/text()').get() if div.xpath('./p[3]/text()').get() is not None else '0'
temp['治癒']=div.xpath('./p[4]/text()').get() if div.xpath('./p[4]/text()').get() is not None else '0'
city_list.append(temp)
item.update({'city_list':city_list})
china_data.append(item)
# 下面是全球資料的獲取
world_data=[]
for div_list in world.xpath('./div')[2:-1]:
flag=0
country_list=[]
for div in div_list.xpath('./div'):
if flag == 0:
if div.xpath('./p[1]/text()').get() is not None:
item={}
item['地區']=div.xpath('./p[1]/text()').get()
item['確診']=div.xpath('./p[2]/text()').get() if div.xpath('./p[2]/text()').get() is not None else '0'
item['死亡']=div.xpath('./p[3]/text()').get() if div.xpath('./p[3]/text()').get() is not None else '0'
item['治癒']=div.xpath('./p[4]/text()').get() if div.xpath('./p[4]/text()').get() is not None else '0'
flag=1
else:
if div.xpath('./p[1]/span/text()').get() is not None:
temp={}
temp['國家']=div.xpath('./p[1]/span/text()').get()
temp['確診']=div.xpath('./p[2]/text()').get() if div.xpath('./p[2]/text()').get() is not None else '0'
temp['死亡']=div.xpath('./p[3]/text()').get() if div.xpath('./p[3]/text()').get() is not None else '0'
temp['治癒']=div.xpath('./p[4]/text()').get() if div.xpath('./p[4]/text()').get() is not None else '0'
country_list.append(temp)
item.update({'country_list':country_list})
world_data.append(item)
d.quit()
# 下面是儲存資料的操作
if not os.path.exists('./json'):
os.makedirs('./json')
if not os.path.exists('./txt'):
os.makedirs('./txt')
now_time=datetime.datetime.now().strftime("%Y-%m-%d") #獲取當前日期
index=list(range(len(china_data)))
data=dict(zip(index,china_data))
json_str = json.dumps(data,indent=4,ensure_ascii=False)
with open(f'./json/{now_time}.json','w',encoding='utf-8') as f:
f.write(json_str)
index=list(range(len(world_data)))
data=dict(zip(index,world_data))
json_str = json.dumps(data,ensure_ascii=False)
with open(f'{now_time}.json',encoding='utf-8') as f:
f.write(json_str)
with open(f'./txt/{now_time}.txt',encoding='utf-8') as f:
f.write(content)
定義畫地圖的函式，輸出是一個html檔案：
def get_html():
# 首先是載入爬取到的資料
json_files=os.listdir('./json')
json_data=[]
date=[]
for i in json_files:
with open(f'./json/{i}','r',encoding='utf-8') as f:
date.append(i.split('.')[0])
temp=json.load(f)
json_data.append(list(temp.values()))
txt_files=os.listdir('./txt')
content_list=[]
for i in txt_files:
with open(f'./txt/{i}',encoding='utf-8') as f:
content_list.append(f.read())
# 下面開始畫圖
t=pyecharts.charts.Timeline(init_opts=opts.InitOpts(width='1400px',height='1400px',page_title='武漢加油！中國加油！！'))
for s,(i,data) in enumerate(zip(date,json_data)):
value=[] # 儲存確診人數
attr=[] # 儲存城市名字
for each in data:
attr.append(each['省份'])
value.append(int(each['確診']))
map0 = (
pyecharts.charts.Map()
.add(
series_name='該省份確診數',data_pair=list(zip(attr,value)),maptype='china',is_map_symbol_show=True,zoom=1.1
)
.set_global_opts(title_opts=opts.TitleOpts(title="武漢加油！中國加油！！",# 標題
subtitle=content_list[s],# 副標題
title_textstyle_opts=opts.TextStyleOpts(color='red',font_size=30),# 標題文字
subtitle_textstyle_opts=opts.TextStyleOpts(color='black',font_size=20),item_gap=20),# 副標題文字
visualmap_opts=opts.VisualMapOpts(pieces=[{"max": 9,"min": 1,'label':'1-9','color':'#FFEBCD'},{"max": 99,"min": 10,'label':'10-99','color':'#F5DEB3'},{"max": 499,"min": 100,'label':'100-499','color':'#F4A460'},{"max": 999,"min": 500,'label':'500-999','color':'#FA8072'},{"max": 9999,"min": 1000,'label':'1000-9999','color':'#ee2c0f'},{"min": 10000,'label':'≥10000','color':'#5B5B5B'}],is_piecewise=True,item_width=45,item_height=30,textstyle_opts=opts.TextStyleOpts(font_size=20))
)
)
t.add(map0,"{}".format(i))
# 將這幅圖儲存為html檔案
t.render('武漢加油！中國加油！！.html')
程式入口：
if __name__ == '__main__': get_save_data() get_html()
第三步、結果展示
執行該程式之後，會在當前目錄下生成一個武漢加油！中國加油！！.html的檔案，開啟之後如下：
ps：因為只能上傳圖片，所以我就將html轉為圖片了，html是動態的，有時間軸可以拖動，由於昨天才剛開始爬資料，所以只有兩天的資料。下面附上轉圖片的程式碼：
ps：又因為這個Timeline時間線輪播多圖，配置不了背景顏色，發現生成的圖片放大看變成黑色背景的，於是研究了一下原始碼，自己修改了一下js那塊的程式碼，然後就生成可以設定背景顏色的圖片了
from selenium import webdriver
import base64
import os
options=webdriver.ChromeOptions()
options.add_argument('--headless') #採用無頭模式進行爬取
d=webdriver.Chrome(options=options)
url='file://'+os.path.abspath('武漢加油！中國加油！！.html')
d.get(url)
def decode_base64(data: str) -> bytes:
"""Decode base64,padding being optional.
:param data: Base64 data as an ASCII byte string
:returns: The decoded byte string.
"""
missing_padding = len(data) % 4
if missing_padding != 0:
data += "=" * (4 - missing_padding)
return base64.decodebytes(data.encode("utf-8"))
def save_as_png(image_data: bytes,output_name: str):
with open(output_name,"wb") as f:
f.write(image_data)
js = """
var ele = document.querySelector('div[_echarts_instance_]');
var mychart = echarts.getInstanceByDom(ele);
return mychart.getDataURL({
type: 'png',pixelRatio: 2,backgroundColor:'#FFFFFF',excludeComponents: ['toolbox']
});
"""
content=d.execute_script(js)
content_array = content.split(",")
image_data = decode_base64(content_array[1])
save_as_png(image_data,'武漢加油！中國加油！！.png')
d.quit()
三、部署到雲伺服器
1.定時執行獲取資料
首先將爬取資料的函式，即get_save_data()單獨放到一個py檔案中（我命名為：2019-nCoV.py）。然後修改定時任務/etc/crontab檔案，如下：
2.通過微信獲取地圖（html檔案）
把畫地圖的函式，即get_html()新增到個人微信機器人當中，然後設定特定判斷條件，在手機微信上向檔案傳輸助手傳送設定好的指令，執行get_html()函式，然後把執行函式後生成的html檔案發給檔案傳輸助手，從而獲取到當前的疫情地圖。
個人微信機器人的程式碼我就不再展示了，可以看我之前的文章：python實現微信自動回覆機器人
特定判斷的語句如下：
if '2019' == msg['Text']:
get_html()
itchat.send('@fil@%s'%'武漢加油！中國加油！！.html',toUserName='filehelper')
同時，也可以把剛剛的獲取資料的函式一起新增進去的，然後同樣通過傳送特定指令執行函式，而獲取資料，我這裡不加進去呢，是因為我要設定個定時任務，定時獲取就行了；並且我也可以通過給檔案傳輸助手傳送shell命令，執行py檔案。
把下面的程式碼加進個人微信機器人py檔案裡就行了。
import subprocess def cmd(command): output=subprocess.getoutput(command) return output
並給出我的特定判斷語句：
if 'cmd' in msg['Text']: output=cmd(msg['Text'][3:]) if output != '': itchat.send(output,toUserName='filehelper')
四、執行展示
如上圖所示：我先是執行了爬取資料的函式，即我呼叫了雲伺服器上的定時爬取資料的py檔案，然後再輸入指令獲取當前的疫情地圖，開啟後像上面的疫情地圖一樣。
寫在最後
世界的疫情地圖我沒有畫，是因為pyecharts的世界地圖各個地區是用英文命名的，跟獲取到的地區匹配不上，其實可以加個中文轉英文給它，那就可以了，我懶的弄了，有興趣的朋友可以試一試哦
一開始，我只是在那些爬蟲微信群上看到：今天這誰在爬丁香園的資料，過幾天又看到那誰又在爬丁香園的資料，而且還提出各種問題來討論。我實在是看不下去了，於是就有了這一篇文章（反正在家閒著也是閒著）
然後呢，今天學校發通知說校外的大四學生也可以申請vpn，然後在家就可以檢視和下載知網的文獻了。準備畢業的我突然驚了，我的論文還未開始寫呢！看來是時候了……
其實我是想回學校再寫的，但是這次的新冠肺炎疫情來勢凶猛，真的希望快點好起來啊~
武漢加油！中國加油！！
總結
以上所述是小編給大家介紹的python+selenium定時爬取丁香園的新冠病毒每天的資料並製作出類似的地圖（部署到雲伺服器），希望對大家有所幫助！