数据工程实践：从网络抓取到API调用，解析共享单车所需要的数据

设想这样一个案例，当前共享单车应用广泛，在很多城市都有大量的投放，一方面解决了人们的短途快速出行问题，一方面对环境保护做出了贡献。但对于单车公司来说，如何确保单车投放在人们需要的地方？大量的共享单车聚集在市中心，且在雨雪等恶劣天气，人们又不会使用。

这正是数据工程师可以发挥作用的地方，利用他们的专业技术从互联网中提取和分析数据。

在本篇文章中，将解释网络抓取和APIs如何协同工作，从百科上抓取城市数据，利用APIs获取天气数据，从而推断出与共享单车相关的信息。

网络抓取与API调用：数据工程的工具箱

网络抓取是一种数字化的信息检索方式，它类似于在网络上获取数据的智能助手。想象一下，你在杂志中寻找与人工智能、机器学习、网络安全等相关的信息，而不是手动记录这些词汇，你可以使用网络抓取工具，例如Python爬虫工具BeautifulSoup，能够快速、高效地完成这项任务。

API是软件应用程序间相互交互的规则和协议集合，它们在软件背后扮演着重要角色，实现了应用程序间无缝集成和数据共享。这就像餐馆的菜单，提供了可选择的菜品清单和详细描述，用户点菜就如同发出数据请求，而厨房则为之准备菜品。在这个类比中，API就是菜单，而订单则是对数据的请求。

API的应用场景多种多样：

· 服务之间的通信：不同软件系统能够相互通信。

· 数据获取：API允许应用程序从服务器获取数据，为用户提供动态内容。

· 功能共享：它们还允许服务与其他应用程序共享其功能，比如地图集成到多个应用程序中的情况。

这些API之于软件的重要性不言而喻，它们促成了跨应用程序的交互和数据共享，为用户提供了更加丰富和便捷的体验。相比之下，网页抓取则是一种从网页中提取信息的方式，通常是将网页内容转化成可用的数据格式。虽然两者都涉及数据的获取和处理，但API更多地关注于应用程序间的交互和数据共享，而网页抓取则更专注于从网页中提取信息。

下图中展示了使用GET请求的客户端和API服务器之间的基本交互。理解这个过程对于了解数据在Web应用程序中的交换和利用至关重要。

 PixelBin，Lucidchart

在此关系图的起点，API服务器充当中介。它接收GET请求，对其进行处理，并根据请求的参数确定适当的响应。

GET请求表示来自客户端(如网站或应用程序)向API服务器请求特定数据的查询，在请求之后，图中显示了服务器的响应。首先，发出响应代码，例如200表示成功，404表示未找到。然后，返回响应数据，其中包含客户端请求的信息。

由此可以看出，API与网页抓取的主要区别在于它们访问数据的方式:

· API是访问数据的官方渠道。这就像有一张VIP通行证可以进入一场音乐会，在那里你可以直接获得某些信息。

· 另一方面，网络抓取就像坐在观众席上，记下正在播放的歌曲的歌词。这是一种无需使用官方API即可从网站提取数据的方法。

回到最开始提到的案例中。

城市信息可以从多个途径获取。一种方法是从官方统计等渠道的网站下载CSV文件。但要注意的是，城市信息可能会变动频繁，但网站更新的频率无法保障。

另一个方法是使用百科的数据。大量的用户在定期更新这些信息，所以只需要专注于选择正确的数据。

接下来，以使用BeautifulSoup进行网络抓取为案例。目标是什么？提取关键细节，例如名称、纬度、经度和人口数量，两个充满活力的城市：AAA和XXX。

此处作者使用的是Jupyter Notebook开发环境，对于交互式编程和数据可视化非常出色。当然，其他工具如Atom、Visual Studio Code或IntelliJ IDEA也有自己的优势。

分步Python指南：抓取数据实践

首先，让我们看一下用于推断AAA和XXX数据的代码。在本节中，将介绍构成项目骨干的Python库。

import requests

我们的第一个工具是 requests 库。这是互联网的关键——它帮助我们向网站发送HTTP请求。

from bs4 import BeautifulSoup

接下来，我们从 bs4 包中介绍BeautifulSoup。一旦我们有了目标网页，BeautifulSoup就会解析HTML内容。

import pandas as pd

接下来是 pandas，这是数据科学中不可或缺的库。我们可以将抓取的数据转换为可读的表格，非常适合分析和可视化。

Python中另一个常用的模块是 re 模块。它是一个用于处理正则表达式的库。

import reheaders = {'Accept-Language': 'en-US,en;q=0.8'}

第一步是准备Python环境来接收来自web的数据。我们使用 requests 库来做到这一点，通过将“Accept-Language”设置为英语来确保我们的请求被普遍理解。

接下来，确定城市的URL -AAA。这个URL将成为我们获取丰富信息的门户:

url_aaa = "https://en.wikipedia.org/wiki/aaa"
aaa = requests.get(url_aaa, headers=headers)

发送请求后，检查请求是否成功是至关重要的。状态码为200表示连接成功。

aaa.status_code # Should return 200

现在使用BeautifulSoup解析AAA的网页，将HTML内容转换为我们可以使用的格式。

soup_aaa = BeautifulSoup(aaa.content, "html.parser")

当提取特定数据时，就可以获得我们想要的结果:

1. 检索到城市名称和国家，指向我们的研究主题
2. 经纬度给了我们地理坐标
3. 从人口数量可以看出城市的规模

下面是如何仔细检索这些细节的流程：

A_city = soup_aaa.select(".mw-page-title-main")[0].get_text()
A_country = soup_aaa.select('a[href="/wiki/CCC"]')[0].get_text()
A_latitude = soup_aaa.select(".latitude")[0].get_text()
A_longitude = soup_aaa.select(".longitude")[0].get_text()
A_population = soup_aaa.select('td.infobox-data')[10].get_text()

在成功抓取AAA的数据后，我们将注意力转向XXX，使用相同的技术提取其城市名称、人口、纬度和经度。

和前面一样，使用BeautifulSoup解析XXX的百科页面，收集必要的数据并创建一个DataFrame。

data = {
    "City": [FR_city, BR_city],
    "Population": [FR_population, BR_population],
    "Latitude": [FR_latitude, BR_latitude],
    "Longitude": [FR_longitude, BR_longitude],
    "Country": [FR_country, BR_country]
}

df = pd.DataFrame(data)

接下来，我们通过微调来优化DataFrame以获得更好的可读性和准确性，以确保我们的数据干净且易于理解。

df['Population'] = pd.to_numeric(df['Population'], errors='coerce')
df['Latitude'] = pd.to_numeric(df['Latitude'], errors='coerce')
df['Longitude'] = pd.to_numeric(df['Longitude'], errors='coerce')
df['City'] = df['City'].astype(str)
# Display the DataFrame
print(df.head)

如果您的目标是在编码过程中获得高水平的舒适性和准确性，并且您有兴趣将方法改进到完美，那么这里有一段利用函数的Python代码。这种方法不仅简化了过程，而且提高了代码的可读性和可重用性。

def scrape_city_data(url):
    response = requests.get(url)

    if response.status_code == 200:
        soup = BeautifulSoup(response.content, "html.parser")
        city = soup.title.get_text().split(' - ')[0]
        country = soup.select('td.infobox-data a')[0].get_text()
        latitude = soup.select('span.latitude')[0].get_text()
        longitude = soup.select('span.longitude')[0].get_text()

        # Find the population data using provided code
        population_element = soup.select_one('th.infobox-header:-soup-contains("Population")')
        if population_element:
            population = population_element.parent.find_next_sibling().find(string=re.compile(r'\d+'))
            if population:
                population = int(population)
        else:
            population = None

        data = {
            'City': [city],
            'Country': [country],
            'Latitude': [latitude],
            'Longitude': [longitude],
            'Population': [population],
        }

        city_df = pd.DataFrame(data)
        return city_df

    else:
        print("Error:", response.status_code)
        return None

# List of German cities ( herre you can add more cities)
german_cities = ['Berlin', 'Frankfurt']

# Create an empty DataFrame with specified columns
german_cities_df = pd.DataFrame(columns=['City', 'Country', 'Latitude', 'Longitude', 'Population'])

# Iterate and scrape data for German cities
for city_name in german_cities:
    wiki_link = f"https://en.wikipedia.org/wiki/{city_name}"
    city_data = scrape_city_data(wiki_link)

    # Append the data to the table
    if city_data is not None:
        german_cities_df = pd.concat([german_cities_df, city_data], ignore_index=True)

# Display the DataFrame
print(german_cities_df)

通过专业的天气预报API来获取数据

有了地理位置，接下来看下影响共享单车的另一个方面——天气。这部分我们采用调用天气预报API的方式来获取数据。

下面是我们准备的Python函数。这个简洁的代码片段展示了如何以精炼的方式实现强大的功能，无缝地融合了技术性与易用性之间的隔阂。

def fetch_weather_data(API_key, city):
    import requests
    import pandas as pd
    from datetime import datetime
    from keys import weather_key
    url = f"http://api.openweathermap.org/data/2.5/forecast?q={city}&appid={API_key}&units=metric"
    response = requests.get(url)

    if response.status_code == 200:
        weather_json = response.json()

        if "list" in weather_json:
            temperature = weather_json["list"][0]["main"]["temp"]
            description = weather_json["list"][0]['weather'][0]['description']
            feels_like = weather_json["list"][0]["main"].get("feels_like")
            wind_speed = weather_json["list"][0]["wind"].get("speed")

            return pd.DataFrame({
                "city": [city],
                "forecast_time": [datetime.now()],
                "outlook": [description],
                "temperature": [temperature],
                "feels_like": [feels_like],
                "wind_speed": [wind_speed]
            })
        else:
            print("Unexpected response format: 'list' key not found.")
    else:
        print(f"Failed to fetch data for {city}. Status Code: {response.status_code}")

    return pd.DataFrame()

cities = ["Berlin", "Frankfurt"]
API_key = weather_key  # Replace with your actual API key
weather_df = pd.DataFrame()

for city in cities:
    city_weather_df = fetch_weather_data(API_key, city)
    if not city_weather_df.empty:
        weather_df = weather_df.append(city_weather_df, ignore_index=True)

为什么这很重要？

这个DataFrame不仅仅是天气数据的集合，而是Python在将原始数据转换为有意义的见解方面的强大功能。作为一个工具，可以帮助城市居民、旅行者或任何人根据实时天气状况做出决定。

在这篇博客中，我们涉及了抓取百科数据、从API获取天气数据、Python函数以及复杂数据易于理解的技巧。但真正的项目开发中可能会包括对SQL数据库、AWS RDS和Lambda的深入研究，因此本文希望可以让读者明白理论知识和实际应用之间的差距。

声明：本文内容仅做技术学习交流使用。

参考原文与相关资料：

网页抓取和 API：放轻松，这就是数据工程生活方式 |由 Ornela Maloku |2023 年 12 月 |AWS 提示 (awstip.com)

BeautifulSoup文档

Python教程

ScrapingBee博客

编译：幂简集成