空气质量数据网页爬虫加数据处理

Python这门语言因其简单强大已经火了很久了，但我接触的比较晚，前几个月因为一篇博客开始初步了解这门语言，并且之后模仿某位北邮的前辈的微博写了一个新浪微博的爬虫

这里给出链接：python编写的新浪微博爬虫

当时为了能够顺便把从微博上抓下来的数据存储起来，顺便装了MySQL，之所以用MySQL，主要是因为Python支持MySQL的插件比较好找，比SQLserver好找一些，不过本人对数据库了解比较少，顺便学习了一些数据库方面的简单操作。

写好之后运行起来发现有些问题，主要是新浪微博的服务器对访问次数和访问频率有限制，以至于我下载了一些数据后，服务器会自动屏蔽不再传数据给我，当时挺困惑，网上有人说让程序睡一段时间再继续抓数据，当时也请教了北邮的前辈，也没给我一个明确的答复，也或许是自己写的问题，所以读到这里的朋友也可以提想法哈。或者到我微薄上留言：http://weibo.com/u/1820299335

———————————————————分割线———————————————–

最近看国内天气质量堪忧，所以心血来潮想要再写个程序把空气质量数据爬下来分析一下，于是开始动手，由于之前写新浪微博爬虫的经验，这次比较快，因为不像新浪微博需要模拟用户登录，中华人民共和国环境保护部–数据中心 的网页比起微博还算简单，所以很快代码就写好了，期间由于正则表达式运用不熟练，在抓取城市名称和污染指数时遇到点小麻烦，网页的html代码如下：

<td οnmοuseοver=”report1664549over()” class=”report1_4″ ><a href=”http://datacenter.mep.gov.cn/report/air_daily/

airDairyCityHourMain.jsp?city=%B1%B1%BE%A9%CA%D0″ >北京市</a></td>

<td class=”report1_10″ >2014-08-08 20:00</td>

<td class=”report1_10″ >85</td>

<td class=”report1_10″ >良</td>

<td οnmοuseοver=”report1664549over()” class=”report1_10″ >PM2.5</td>

是表格形式的，关键项的前后正则表达式不太会写，这里还望高手指点，不过我找到了替代的方法，网页下面还有一部分相关可以提取的html代码：

<area shape=”rect” coords=”76,116,86,216″ title=”北京市 AQI指数 85″>

<area shape=”rect” coords=”104,120,114,216″ title=”天津市 AQI指数 82″>

<area shape=”rect” coords=”131,141,141,216″ title=”石家庄市 AQI指数 64″>

<area shape=”rect” coords=”159,131,169,216″ title=”唐山市 AQI指数 72″>

这个就方便提取多了，用python的正则表达式包可以一次性把所有的结果保存下来，其实也就这么几行代码：

def getList(self,text):

        pat = re.compile(‘<area shape=”rect” coords=”.*” title=”(.*) .+ ([0-9]+)”>’.encode(‘utf-8’))

        try:

            cityList = pat.findall(text)

        except:

            cityList = None

        return cityList

其中加了异常处理，一面在长时间运行过程中，出现错误程序异常终止。

第一次抓数据是从2014年1月抓到8月，（不知道为什么网站上没有2014年以前的空气质量数据，可能数据库没有开通吧），抓取数据的时间间隔为12小时，结果处理完生成GIF动图后发现，时间间隔略长，画面不连续，于是重写抓取，这次采用的是2个小时，一共运行了10几个小时把所有数据都下载下来了。

然后就是想办法做数据可视化，以前没用过地图数据可视化的工具，但是Matlab用的比较熟，Matlab做这种数据处理和图像处理都比较强大，所以就自己纯手工来进行数据可视化吧。

在网上截了个中国地图当背景，然后想办法用Matlab往上画数据。期间遇到点小麻烦，就是从网上找的城市坐标是经纬度表示的，需要映射到地图图像上相应的位置，我直接选用最简单的线性映射方式进行映射，结果发现在低纬度的城市映射结果还算准确，但是高纬度的城市要差200多km，无语了，怎么会差这么多！查了下发现，因为地图是百度地图截屏的，百度地图用的是所谓的麦卡托投影法，也就是圆柱投影，亏自己以前在本科时研究过光纤陀螺测量地理维度，这个都没注意到。修正之后城市的投影位置准确多了。比如说首都的位置：

把所有城市的空气质量用渐变色标在地图上，才发现自己美工差：

（颜色随着空气污染指数的变差按：绿（优）、黄（良）、橙（轻微污染）、红（轻度污染)、紫（中度污染）、黑（重度污染）的顺序变化）

一个一个的红点像是生了皮肤病，还是用插值处理一下吧，还好Matlab在这方面功能比较强大，不用费工夫：

好了很多，当然上图的效果也是经过小小处理过的，总的来讲画面感同专业软件比还有一定差距，但考虑到我是用Matlab画出来的，这个画质我接受了，能够说明问题就行。

然后我挑选了一些有特点的空气污染比较严重的日子，制作生GIF动图，动图使用PhotoShop制作的。图中着重关注红紫色的雾霾在大气中的移动。

这个是14年1月2日14点 至14年1月4日18点，这次严重雾霾天影响全国，雾霾主要产生地主要有三个，河北山东一带，湖南湖北一带，重庆四川一带，总的看来是人口稠密，工业较多，而且也有地形因素在内。

左：（2014-01-11-18至2014-01-13-08）右：（2014-01-19-14至2014-01-20-18），北方的雾霾天还是比较严重的，并且冬季多北风，雾霾向南方或东南方向扩散，当时南方的很多雾霾天也就这么产生了。。。

（2014-03-17-06至2014-03-19-06）其实北京地区的污染源也并不完全是北京河北，比如这个就说明污染来自春季的蒙古大草原，查询当天北京是北风。。。

（2014-05-26-20 至2014-05-28-00）再如这张，也比较明显，查询当天北京天气是浮尘，也是北风

总的来说，空气质量差是全国性的，污染源比较多，只不过有些地方地理因素扩散起来快一些，扩散慢的话，即便是山清水秀的贵州也难免有雾霾。过了4月份，全国性的雾霾天明显有所减少。