基于Python的疫情数据的爬取与分析
作者：谭康裕 赵元成
来源：《科学导报·学术》2020年第30期
摘 要：目的：直观显示新型冠状病毒（2019-nCoV）肺炎疫情的发展趋势，为复工复产的决策提供决策依据。方法：基于Python语言、使用requests库下载网页，使用re读取目标数据，使用csv存储目标数据、使用pyecharts展示疫情地图分布和疫情发展趋势图、使用Javascript脚本显示趋势图，包括疫情的地图分布，全国疫情新增趋势，全国累计/疑似趋势，全国累计治愈/死亡趋势，全国各省疫情概览表等。结果：得到疫情发展趋势的可视化图表，可以直观显示疫情的发展趋势，全国各省疫情概览表等。我们可以看到，疫情已经趋于平稳。结论：2019-nCoV肺炎疫情的防控措施是有效的，各地方政府严格执行公共安全政策，保证了人民的生命安全，全力遏制了2019-nCoV的传播，夺取了战“疫”的最终胜利。
关键词：新型冠状病毒;Python;数据可视化;趋势
新型冠状病毒（2019-nCoV）是一种β属的冠状病毒，自2019年12月在湖北省武汉市发现 2019-nCoV以来，疫情快速蔓延[1]。国家卫生健康委员会疫情通报显示，截至 2020年4月25日早上9点，累计确诊人数 82816人，累计治愈出院病例77346例，累计死亡病例4632例[2]。为快速抑制病情蔓延，国家已出台多种举措，如延长春节假期、企业延迟复工、学校延期开学、限制出行、公共场所要佩戴口罩，居家隔离等。本文基于Python，通过网络爬虫
技术收集2019-nCoV疫情数据，通过数据可视化手段，给出疫情的地图分布，全国疫情新增趋势，全国累计/疑似趋势，全国累计治愈/死亡趋势，全国实时疫情概览表等。
1 对象与方法
1.1 数据来源
本文疫情发展数据取自中国疾病预防控制中心周报（以下简称中国疾控中心周报）和丁香园，其地址参看“参考文献”中的[2]和[3]。随着2019-nCoV的快速传播，自1月25日开始，各地纷纷启动“重大突发公共卫生事件Ⅰ级响应”，因此我们认定从1月25 日开始，病毒即进入传播状态。由于数据是从中国疾病预防控制中心周报中读取，比较完整的数据是从1月29日开始，因此，本次采集的数据就是从1月29日开始，直至4月25日零点。
1.2 疫情数据提取的需求
设计疫情数据提取的代码要解决的以下几个问题：
（1）下载网页：根据给定的URL下载其HTML网页。
（2）网页解析：根据网页结构信息，提取网页数据。
（3）数据存储：把从网页中解析出来的数据CSV文件中。
1.3 疫情数据提取的實现方法
（1）HTML下载器
本次设计使用requests库和requests-html库来下载网页，分别使用requests来下载中国疾病预防控制中心周报的数据，使用requests-html来下载丁香园的数据。使用requests-html下载网页的核心代码如下所示：
import requests
url = 'http：//weekly.chinacdc/news/TrackingtheEpidemic.htm'
r = （url） #下载网页
使用requests-html下载网页的核心代码如下所示：
from requests_html import HTMLSession
dxyurl = 'https：//3g.dxy/newh5/view/pneumonia'
response = （dxyurl） #下载网页
python正则表达式爬虫 （2）HTML解析器
Python使用BeautifulSoup来进行HTML的解析，提取目标数据。在中国控制中心周报中，我们使用BeautifulSoup直接读取其注释部分，而不是按行读取目标数据所在的XPath。在中国控制中心周报网页中，目标文本是位于标签<div class="box-article-content">中的注释文本。通过分析中国控制中心周报网页数据结构，我们可以通过分割</p>标签，同时为了数据的提取，还要把</p>标签添加回原来的数据项中。提取数据的代码如下：
soup = BeautifulSoup（page，'html.parser'）
content = soup.find_all（"div"，'box-article-content'） #数据返回为列表
content_to_string = str（content） #将列表转换成字符串，使用正则表达式提取
pattern = repile（r"<！--（.*？）-->"） # 抽取<！--（.*？）-->中间的文本
通过构建正则表达式，提取网页中的疫情数据。提取的疫情数据分别为日期、新增确诊/疑似病例、累计确诊/现存疑似病例、新增死亡/治愈人数、累计死亡/治愈人数。其正则表达式的构建如下所示：
date_regex = r"<a href=＼"#NHC＼w.*？＼">（.*？）<" #提取日期的正则表达式
conf_suspe_data_regex = r"<p >Confirmed cases：（.*？）new，（.*？）total. Suspected cases：（.*？）new，（.*？）total.<" #提取新增确诊/疑似病例、累计确诊/现存疑似病例的正则表达式
dea_reco_data_regex = r"<p >Deaths：（.*？）new，（.*？）total. Recoveries：（.*？）new，（.*？）total.<" #提取新增死亡/治愈人数、累计死亡/治愈人数的正则表达式
在丁香园的网页中，通过查看网页元素，我们可以看到，目标数据在标签<script script id="getAreaStat">中，其数据以“[”开始，以"]}，"结束，所以可以按照"]}，"的格式进行分割，其提取的核心代码如下所示：
items = temp.split（"]}，"） #按“]}，”进行分割
对在丁香园中提取的数据进行格式化，使用JSON读取目标字符串，再进行格式转换成字典，使用字典提取目标数据中的省份相关数据，实现对数据的进一步读取，为后面的存储在CSV文件中做好准备，其实现的核心代码如下：
js = json.loads（item）
# 格式转换：JSON->字典
dc = {}
dc = dict（js）
# 省份数据（含城市）
self.province_list.append（dc）
2 前端设计
前端设计的作用是把数据可视化显示在前端页面上。echarts是一个纯Javascript的图表库，可以流畅的运行在PC和移动设备上，兼容当前绝大部分浏览器。使用echart有三个步骤，其一是在页面中指定一個div并指定宽高;其二是在页面中引用JS脚本;其三是在页面加载完毕后调用代码初始化option，其核心代码如下所示：
<div id="map" ></div>
<script>
$（
function（）{
#为ECharts准备一个具备大小（宽高）的DOM
var chart = echarts.init（ElementById（'map'），'white'，{renderer：'canvas'}）;#一个div只能有一个实例
$.ajax（{
type："GET"，#请求页面时使用get方法
url："http：//127.0.0.1：5000/mapChart"，#指定文件的路径
发表评论