基于Python爬蟲技術(shù)抓取臺風(fēng)報文的研究與實(shí)現(xiàn)

陳瓊鶯 施蔚然 鄭玉蘭 馮招程

（福建省氣象信息中心，福建 福州 350001）

1 引言

由于臺風(fēng)過境時一般會出現(xiàn)狂風(fēng)暴雨天氣[1]，造成莊稼摧毀、山體滑坡、各種房屋摧毀及倒塌等[2-3]，因此，提高預(yù)報臺風(fēng)精確度迫在眉睫。

根據(jù)臺風(fēng)產(chǎn)生的時間、風(fēng)速、移向、強(qiáng)度、中心位置、最大風(fēng)速、移動速度等觀測數(shù)據(jù)形成臺風(fēng)報文。臺風(fēng)報文中的數(shù)據(jù)，能預(yù)測臺風(fēng)的路徑及臺風(fēng)眼位置，因此臺風(fēng)報文是提高臺風(fēng)預(yù)報準(zhǔn)確性的不可或缺的數(shù)據(jù)。中央氣象臺根據(jù)臺風(fēng)起始的發(fā)展變化，在中央氣象臺網(wǎng)頁中實(shí)時發(fā)布臺風(fēng)報文。目前福建氣象局無法實(shí)時抓取中央氣象臺網(wǎng)頁中的臺風(fēng)報文數(shù)據(jù)，同時也缺乏豐富的臺風(fēng)報文庫，造成許多臺風(fēng)報文無法很好地在業(yè)務(wù)科研上使用。臺風(fēng)報文資料的不齊全是影響臺風(fēng)預(yù)報能力的主要因素。提高臺風(fēng)報文的首要工作是收集臺風(fēng)報文資料。

在中央氣象臺發(fā)布的臺風(fēng)報文網(wǎng)頁中，如何對網(wǎng)頁數(shù)據(jù)進(jìn)行抓取，并快速分析獲取的資料中哪些是臺風(fēng)資料是我們要解決的問題。現(xiàn)代網(wǎng)頁中都使用了搜索引擎功能，用戶根據(jù)自己所需獲取信息的關(guān)鍵字、關(guān)鍵詞在網(wǎng)頁中搜索，就能獲其取所要的信息。由于爬蟲技術(shù)是搜索引擎的核心技術(shù)，其在網(wǎng)頁檢索中發(fā)揮了重要作用，因此對爬蟲技術(shù)進(jìn)行研究并利用其實(shí)現(xiàn)臺風(fēng)報文抓取具有重要意義。

2 Python概述

2.1 Python特點(diǎn)

Python是一種具有解釋性和交互性的跨平臺的高級編程語言[4]。Python簡單易學(xué)易用，擁有許多標(biāo)準(zhǔn)庫，在UNIX、Macintosh和Windows平臺上具有很好的兼容性。

2.2 Python技術(shù)特點(diǎn)分析

網(wǎng)絡(luò)爬蟲技術(shù)已經(jīng)廣泛應(yīng)用在互聯(lián)網(wǎng)領(lǐng)域中，搜索引擎運(yùn)用網(wǎng)絡(luò)爬蟲抓取網(wǎng)頁信息、視頻、圖片、文檔等資源，利用索引技術(shù)組織這些信息，供用戶進(jìn)行搜索。Python網(wǎng)絡(luò)功能非常強(qiáng)大，常用來實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲，常用框架有g(shù)rab網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）、scrapy網(wǎng)絡(luò)爬蟲框架（基于twisted）、pyspider爬蟲系統(tǒng)、cola分布式爬蟲框架、portia可視化爬蟲。由于Python的爬蟲技術(shù)擁有強(qiáng)大的功能，可以在短時間內(nèi)實(shí)現(xiàn)各類程序的編寫任務(wù)。此外，現(xiàn)代科學(xué)技術(shù)的飛快發(fā)展，為Python提供了技術(shù)支撐，利用Python的網(wǎng)絡(luò)能力，讓爬蟲在互聯(lián)網(wǎng)各種數(shù)據(jù)信息中進(jìn)行搜索，可使有效的信息得到充分利用。

3 Python爬蟲概述

3.1 爬蟲的基本結(jié)構(gòu)

爬蟲是一種自動抓取萬維網(wǎng)信息的腳本，從萬維網(wǎng)上獲取用戶需要的信息。網(wǎng)絡(luò)爬蟲可以自主遍歷采集網(wǎng)頁上的信息。網(wǎng)絡(luò)爬蟲最重要的作用就是在互聯(lián)網(wǎng)的大數(shù)據(jù)中爬取到有效的信息，并將有效的信息數(shù)據(jù)存儲到本地數(shù)據(jù)庫中。

Python爬蟲[5]框架主要是由爬蟲調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、信息采集器組成。其中調(diào)度器是實(shí)現(xiàn)協(xié)調(diào)網(wǎng)頁下載器、網(wǎng)頁解析器、URL管理器之間的運(yùn)行。URL管理器主要包含已獲取的URL地址和待獲取的URL地址，避免重復(fù)抓取URL和循環(huán)抓取URL，URL管理器主要是通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫三種方式來實(shí)現(xiàn)的。網(wǎng)頁下載器是根據(jù)傳入的URL地址來下載網(wǎng)頁內(nèi)容，將網(wǎng)頁內(nèi)容轉(zhuǎn)變?yōu)槲谋荆Ｓ玫木W(wǎng)頁下載器有urllib。調(diào)度器將種子提供的URL進(jìn)行下載，然后下載器從網(wǎng)上獲取頁面信息并發(fā)送至信息采集器，提取器根據(jù)信息提取指令獲取信息，然后將下一級URL發(fā)送到一個等待隊(duì)列，等待隊(duì)列提交重載的URL，過濾和排序操作后進(jìn)入列表，等待調(diào)度器調(diào)用。

3.2 爬蟲過程的順序圖

網(wǎng)絡(luò)爬蟲的時序圖如圖1所示。具體的爬蟲過程描述如下：首先調(diào)度端啟動爬蟲，詢問URL管理器是否有要爬取的URL。URL管理器將要爬取的URL發(fā)給調(diào)度端，調(diào)度端根據(jù)獲取的URL，利用網(wǎng)頁下載器下載URL對應(yīng)的頁面內(nèi)容。網(wǎng)頁下載器將下載好的內(nèi)容發(fā)給網(wǎng)頁解析器來解析，返回解析好的內(nèi)容和更新URL列表，獲取有效的數(shù)據(jù)。

圖1 爬蟲過程的時序圖

3.3 網(wǎng)絡(luò)爬蟲的分類

網(wǎng)絡(luò)爬蟲[6]根據(jù)不同的實(shí)現(xiàn)技術(shù)手段，可以大致分為通用網(wǎng)絡(luò)爬蟲、聚焦網(wǎng)絡(luò)爬蟲、增量網(wǎng)絡(luò)爬蟲。通用網(wǎng)絡(luò)爬蟲也稱為全網(wǎng)爬蟲。通用網(wǎng)絡(luò)爬蟲是從網(wǎng)絡(luò)各個領(lǐng)域的網(wǎng)頁中抓取與主題相關(guān)的所有文檔和鏈接。通用網(wǎng)絡(luò)爬蟲需要消耗大量的時間和磁盤空間。

聚焦網(wǎng)絡(luò)爬蟲也稱為主題網(wǎng)絡(luò)爬蟲。聚焦爬蟲只爬取特定的網(wǎng)頁，與通用網(wǎng)絡(luò)爬蟲相比聚焦爬蟲節(jié)省大量的時間、磁盤空間和網(wǎng)絡(luò)資源，聚焦爬蟲與通用爬蟲的區(qū)別在于增加了過濾網(wǎng)頁鏈接的兩個模塊：網(wǎng)頁決策模塊和URL鏈接優(yōu)先級排序模塊。

網(wǎng)頁決策模塊：當(dāng)爬蟲抓取到特定內(nèi)容時，網(wǎng)頁相關(guān)性評估器開始比較網(wǎng)頁中的內(nèi)容與預(yù)先給定的主題的相關(guān)性。如果網(wǎng)頁的相關(guān)性沒有達(dá)到之前設(shè)定的閾值，則會放棄該網(wǎng)頁，以保持獲取網(wǎng)頁的高精度。

URL鏈接優(yōu)先級排序模塊：該模塊主要用于比較解析的URL與給定主題的相關(guān)程度。該模塊根據(jù)鏈接對內(nèi)容的權(quán)限和鏈接的引用次數(shù)對鏈接進(jìn)行優(yōu)先級排序。按優(yōu)先級排序并刪除優(yōu)先級過低的鏈接。

增量爬蟲與一般爬蟲的區(qū)別主要在于搜索策略不同。對于一般爬蟲來說，一次遍歷完成后，需要更新數(shù)據(jù)，按照之前的遍歷形式對全網(wǎng)進(jìn)行新的遍歷，然后替換之前的結(jié)果。增量爬蟲采用了一種新的機(jī)制來更新數(shù)據(jù)。增量式爬蟲只會在需要的時候爬取新產(chǎn)生或發(fā)生更新的頁面，并不重新下載沒有發(fā)生變化的頁面，可有效減少數(shù)據(jù)下載量，及時更新已爬行的網(wǎng)頁，可以提高爬取效率，減少對物理內(nèi)存的占用，提高數(shù)據(jù)更新率。

3.4 網(wǎng)頁獲取與分析

爬蟲的工作原理是模擬瀏覽器發(fā)出HTTP請求，發(fā)送至Web服務(wù)器。爬蟲獲取Web服務(wù)器響應(yīng)后，對網(wǎng)頁內(nèi)容進(jìn)行分析和存儲，執(zhí)行爬取任務(wù)。

網(wǎng)頁解析主要是網(wǎng)頁去噪的過程。在Internet中，網(wǎng)頁的各種信息都存儲在HTML的框架中。網(wǎng)頁去噪主要是網(wǎng)頁內(nèi)容文本的提取。主題爬蟲需要分析解析頁面的HTML結(jié)構(gòu)來提取搜索用戶所需的信息。常用的方法包括通過Beautiful Soup解析HTML結(jié)構(gòu)和使用正則表達(dá)式提取文本數(shù)據(jù)。

3.5 數(shù)據(jù)存儲

爬蟲獲取數(shù)據(jù)的數(shù)據(jù)，一般采用兩種存儲方式：保存至本地文件或存儲至數(shù)據(jù)庫，通常量少的數(shù)據(jù)一般保存至本地文件，數(shù)據(jù)量大的數(shù)據(jù)一般存儲到數(shù)據(jù)庫中。

4 基于Python抓取臺風(fēng)報文的實(shí)現(xiàn)

4.1 網(wǎng)站頁面分析

通過中央氣象臺網(wǎng)站，找到臺風(fēng)報文如圖2所示。

圖2 中央氣象臺網(wǎng)站

由圖2可知臺風(fēng)報文的關(guān)鍵詞中頭部設(shè)置為ZCZC，尾部設(shè)置為NNNN。

在網(wǎng)頁調(diào)試器中，任意選擇一個時間（例2021/12/21 06:21），network中會增加一條為json存儲的地址的調(diào)用記錄，詳細(xì)如圖3所示。

圖3 獲取報文信息存儲的Web地址

通過圖3可以得到模擬點(diǎn)擊的鏈接參數(shù)為http://www.nmc.cn/f/rest/GetContent?dataId =。提取關(guān)鍵字為SEVP_NMC_TCMO_SFER_ETCT_ACHN_L88_P9。選擇不同時間network的調(diào)用記錄如圖4所示。

圖4 臺風(fēng)報文地址

從圖4中可知臺風(fēng)報文的Web地址并沒有呈現(xiàn)某種規(guī)律的變化，因此本系統(tǒng)采用固定的時間間隔去抓取數(shù)據(jù)（默認(rèn)時間是每分鐘，可以根據(jù)工作需要在頁面上設(shè)置抓取的時間間隔），并判斷地址中的信息是否有效，從而完成數(shù)據(jù)爬取任務(wù)。

4.2 系統(tǒng)實(shí)現(xiàn)

在基于Python抓取臺風(fēng)報文的軟件中，本系統(tǒng)設(shè)計了定時提取和手工提取兩種功能，定時提取可以根據(jù)需要設(shè)置定時周期，默認(rèn)的定時周期是每分鐘，本系統(tǒng)利用Python提供的一種常用的數(shù)據(jù)結(jié)構(gòu)字典來實(shí)現(xiàn)重置字典功能。本系統(tǒng)中設(shè)有兩個字典：報文地址字典和報文數(shù)據(jù)字典，用于防止重復(fù)解析和防止重復(fù)入庫，重置字典即清空以上兩個字典。當(dāng)點(diǎn)擊重置字典按鈕就會重新獲取報文，設(shè)置配置功能可以根據(jù)需要對存盤的路徑、定時提取時間、報文關(guān)鍵詞進(jìn)行設(shè)置。本系統(tǒng)的導(dǎo)航存盤是用打開存儲文件夾技術(shù)實(shí)現(xiàn)的，點(diǎn)擊導(dǎo)航存盤按鈕就會進(jìn)入臺風(fēng)報文存放的目錄中，方便用戶查找文件。下面是實(shí)現(xiàn)爬蟲程序設(shè)計的關(guān)鍵代碼：

import requests#導(dǎo)入requests庫

#獲取網(wǎng)頁內(nèi)容

def get_html(url, params):

html = ' '

#設(shè)置請求頭

http_headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36'}

try:

r= requests.get(url=url,params=params,headers=http_headers, timeout=5)

r.encoding = 'utf-8'

html = r.text

except Exception as e:

print(e)

return html

代碼解析:requests庫的get()方法中的第二個參數(shù)params是臺風(fēng)報文，第一個參數(shù)url是中央氣象臺發(fā)布的網(wǎng)址：http://www.nmc.cn/publish/typhoon/message.html，第三個參數(shù)headers是用來向?yàn)g覽器發(fā)出請求，它的參數(shù)是字典類型，表示的是用戶代理信息。用戶代理（user-agent）是瀏覽器客戶端與服務(wù)器交互時的重要信息之一，用于幫助網(wǎng)站識別請求用戶的瀏覽器類別，以便于網(wǎng)站發(fā)送相應(yīng)的網(wǎng)頁數(shù)據(jù)，第四個參數(shù)timeout是請求網(wǎng)面數(shù)據(jù)，如果5秒內(nèi)沒返回抓取的報文信息就會報出錯信息。在基于Python抓取臺風(fēng)報文抓取軟件中顯示獲取到的臺風(fēng)報文如圖5所示，原始網(wǎng)頁如圖6所示，執(zhí)行日志如圖7所示。

圖5 臺風(fēng)報文

圖6 原始網(wǎng)頁

圖7 日志信息

5 結(jié)語

基于Python臺風(fēng)報文抓取系統(tǒng)能夠定時提取中央氣象臺網(wǎng)頁中的臺風(fēng)報文，為福建氣象局提供臺風(fēng)的當(dāng)前位置、氣壓、風(fēng)速、臺風(fēng)目前移速、預(yù)測未來的位置與強(qiáng)度、中心位置等信息，有利于福建氣象臺日常預(yù)報及業(yè)務(wù)的順利開展，以及對臺風(fēng)報文進(jìn)行更深入的研究。在大數(shù)據(jù)時代基于Python爬蟲技術(shù)的氣象信息挖掘具有重要應(yīng)用價值。