2022软工K班个人编程任务

一、PSP表格

首先是我的Github链接（点我）

• (2.1)在开始实现程序之前，在附录提供的PSP表格记录你估计将在程序的各个模块的开发上耗费的时间。**

PSP2.1	Personal Software Process Stages	预估耗时(分钟）
Planning	计划	60
· Estimate	· 估计这个任务需要多少时间	10
Development	开发	2000
· Analysis	· 需求分析 (包括学习新技术)	540
· Design Spec	· 生成设计文档	60
· Design Review	· 设计复审	30
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	15
· Design	· 具体设计	90
· Coding	· 具体编码	1000
· Code Review	· 代码复审	120
· Test	· 测试（自我测试，修改代码，提交修改）	120
Reporting	· 计算工作量	30
·· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	30
	· 合计	4105

• (2.2)在你实现完程序之后，在附录提供的PSP表格记录下在程序的各个模块上实际花费的时间。

PSP2.1	Personal Software Process Stages	预估耗时(分钟）
Planning	计划	60
· Estimate	· 估计这个任务需要多少时间	20
Development	开发	1500
· Analysis	· 需求分析 (包括学习新技术)	640
· Design Spec	· 生成设计文档	60
· Design Review	· 设计复审	15
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	60
· Design	· 具体设计	180
· Coding	· 具体编码	1200
· Code Review	· 代码复审	30
· Test	· 测试（自我测试，修改代码，提交修改）	180
Reporting	· 计算工作量	20
·· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	30
	· 合计	3995

二、任务要求的实现

• (3.1)项目设计与技术栈。从阅读完题目到完成作业，这一次的任务被你拆分成了几个环节？你分别通过什么渠道、使用什么方式方法完成了各个环节？列出你完成本次任务所使用的技术栈。

我将本次个人编程作业分为四个环节，分别为计划、学习、开发、总结。
所用技术栈为 selenium+pyecharts+BeautifulSoup+time+re+xlwt
(1) 计划环节中，我先仔细阅读了发布的作业要求，提取出“疫情数据获取”、“exce表格”、“数据可视化”等关键点，确定了使用python来进行疫情数据的爬取，并上网查询了“疫情可视化”相关案例，学习他们的整体思路，并构思出程序的框架，用PSP表格记录下在各个模块上开发的预估耗时。
(2) 学习环节中，通过优快云、博客园等平台学习了request、selenium、beautifulSoup等各种工具的使用方法。
(3) 开发环节中，我使用Pycharm软件来进行程序开发。利用构思好的程序框架，先将程序的主要结构（函数）写出来，再通过不断调试与完善，逐步地编写代码，记录下开发过程中所遇到的问题。
(4) 总结环节中，回顾整体代码，详细列出实现代码的整体思路以及解决问题的思路，通过几个案例的测试，也总结出了代码的局限性与不足性。

• (3.2)爬虫与数据处理。说明业务逻辑，简述代码的设计过程（例如可介绍有几个类，几个函数，他们之间的关系），并对关键的函数或算法进行说明。

本代码一共设计了如下几个函数

def getpage()
def getTime(url_text)
def getLocal_add(url_text)
def getNoSymptom_add(url_text)
def getHMT_people(url_text)
def add_data(a,b)
def write_to_excel(filename, dict1,dict2)
def  getMap(fileName,a,b)

(1) 页面获取getpage()
由于卫健委的反爬机制，用谷歌浏览器与request等方法较难爬取到数据，后来在优快云看到了一位博主的案例后，我使用了selenium+火狐浏览器来爬取网页。

在疫情通报列表页面，我们可以看到第一页网址为：http://www.nhc.gov.cn/xcs/yqtb/list_gzbd.shtml
第二页网址为：http://www.nhc.gov.cn/xcs/yqtb/list_gzbd_2.shtml
第三页http://www.nhc.gov.cn/xcs/yqtb/list_gzbd_3.shtml……以此类推
于是我们可以得出它的页面除了了第一页，其他的构成为http://www.nhc.gov.cn/xcs/yqtb/list_gzbd_（数字）.shtml
因此，我们使用一个getPage()函数来顺序获取并返回页面的链接

def getpage():   #页数函数
    for page in range(1,42):
        if page == 1:
            yield'http://www.nhc.gov.cn/xcs/yqtb/list_gzbd.shtml'
        else:
            url = 'http://www.nhc.gov.cn/xcs/yqtb/list_gzbd_'+str(page)+'.shtml'
            yield url

在获取了疫情通报的页码后，我们要做的就是爬取到该页上所有新闻链接，在主函数中，我们通过for …in…来进入每个页码的网站，然后使用selenium以及火狐浏览器爬取到该页码上所有新闻链接，再使用for…in…进入每一个新闻链接进行内容爬取

def main():
    for url_main in getpage():  #从第一页开始爬取该页的所有新闻链接

        option = FirefoxOptions()
        option.add_argument("--headless")  # 隐藏浏览器
        browser = Firefox(executable_path='geckodriver', options=option)
        browser.get(url_main)
        time.sleep(3)   #设置等待时间
        data = browser.page_source
        soup = BeautifulSoup(data, "lxml") #创建对象
        url_list = soup.find('div', class_='list').find_all('li')  #找到list中的所有li标签

        for i in url_list:
            url =  'http://www.nhc.gov.cn/' + i.find('a')['href'] #爬取a标签下href的内容,需要加上网址头
            try:
                #接下来爬取单独的网页
                browser.get(url)
                time.sleep(3)  
                ##中间为按顺序调用的子函数
            except Exception:
                contine
            time.sleep(3)
        time.sleep(3)
        browser.quit()
main()

(2)时间获取getTime()
在详细疫情通报的页面源代码中，我们可以看到发布新闻的年月日，以及新冠肺炎疫情情况的截止月日，各差了一天。

我们需要的是疫情情况的截止年月日，使用正则表达式，可以爬取class=source里的第三个span标签获取年，爬取class = tit里的月日，再进行特殊情况的处理，并获得我们文件的名字。

def getTime(url_text): 
    ....#正则表达式部分太多，不列出
    #Title_Get为一个列表，存储截止日期[月，日]，release_Get 存储[年，月，日 ]
    if int(Title_Get[0])<int(release_Get[1]): #如果发布新闻的月份比通报的疫情日期还小，则年份要减一
        Title_year_Get= str(int(release_Get[0])-1)
    else:
        Title_year_Get = str(int(release_Get[0]))
    Title_month_Get = Title_Get[0]
    Title_day_Get = Title_Get[1]
    Time=(Title_year_Get+'年'+Title_month_Get+'月'+Title_day_Get+'日新型冠状病毒肺炎疫情')
    return Time  #返回一个文件标题

(3)内陆省份以及新增确诊人数获取 getLocal_add（）、内陆新增无症状感染人数获取getNoSymptom_add（）
这两个函数的功能实现都相同，都是在主函数里面调用，传入的参数为主函数里爬取到的页面数据，然后在子函数里创建一个soup，然后用正则表达式爬取出来省份、确诊人数或者感染人数，组合成一个字典，并返回给主函数里的变量。下面为函数的核心算法部分

     ...正则表达式部分太多就不展出了，下同
    province_list 为爬取数据后，存储有疫情的省份的列表
    province_people为存储对应人数的列表
    ll = [0]*len(province)  #创建一个跟省份数目相同的全为‘0’的列表
    在getLocal_add()中
    nubmtuple = tuple(zip( map(int, province_people),ll)) #将确诊人数设置为（x，0)的元组
    在getNoSymptom_add()中
     nubmtuple = tuple(zip( ll,map(int, province_people))) #将无症状感染设置为（0，x)的元组
    a=dict(zip(province,nubmtuple))
    return a

下图为getLocal_add()函数得到的结果
(4)港澳台累计确诊统计getHMT_people()
原理和（3）中差不多，港澳台地区由于没有找到历史的当日新增感染人数 的新闻数据，就只统计了截至日期的累计确诊人数

 people_num 列表用来存储爬取到的每个地方的累计确诊人数
 province = ["香港","澳门","台湾"] 
 add = dict(zip(province,map(int,people_num))) #组合成一个列表

(6)数据合并add_data(a，b)
在上述步骤中，我们获得了例如{‘云南’，(0,4)}的新增确诊字典以及{‘福州’，(0,12)}的新增无症状感染人数的字典，接下来关键的一步就是将两个字典合并。在主函数中，我们调用add_data()函数，并传入上述步骤获得的两个字典的参数。算法如下

    for i in b.keys():  #嵌套两个循环，从第一个字典的键开始查找是否跟第二个字典的键相匹配，匹配则将感染人数的两个信息合并，没有匹配项则增加到字典中
        flag =0
        for j in a.keys():
            if i == j:
               a[j]=(a[j][0],b[i][1])
               flag=1
               break
        if flag==0: #如果a字典的键中没有b的某一个键，则增加到a中
            a[i]=(b[i][0],b[i][1])
    return a

这样就得到了一个用字典存储的完整的疫情信息，字典的value值存储一个元组，元组第一个值为确诊人数，第二个值为无症状感染人数

(7)数据导入exceldef write_to_excel(filename, dict1,dict2)
该函数中，传入的第一个参数为getTime()返回给给主函数的标题，第二个参数为数据合并（add_data(a，b)）后的内地疫情字典，第三个为港澳台疫情情况的字典。
我利用了xlwt工具来进行excel导数据，并创建了两张工作表，一张为内地疫情明细，一张为港澳台疫情明细，保存成名为filename的xls文件。核心算法如下所示

        j=1 
        for content1 in dict1.items():#写入内地疫情，用concent迭代字典的每一个键值对，并在j行的0、1、2列写入省份、确诊人数、无症状感染人数的数据
            sheet1.write(j, 0,content1[0])
            sheet1.write(j, 1, content1[1][0])
            sheet1.write(j, 2, content1[1][1])
            j=j+1

得到的结果如下图

(8)可视化地图制作getMap(fileName,a,b)
详情看下（3.5）

(9)程序运行结果展示
最后就是爬虫后数据处理结果的展示啦。程序运行过程中，爬取以及数据处理成功后会输出提醒语句，excel以及可视化地图页面都自动存入了文件夹中。

• (3.3)数据统计接口部分的性能改进。记录在数据统计接口的性能上所花费的时间，描述你改进的思路，并展示一张性能分析图，并展示你程序中消耗最大的函数。

我在数据统计接口上所花费的时间非常大，主要时间都花费在了页面中省份以及人数的数据检索。一开始打算直接用request或者soup来直接在整个url的文本上抓取省份名称以及人数，但是发现卫健委页面上的人数是在span和/span中间，导致我很难直接将数字单独检索出来。在最后就只能对应到本土病例以及无症状感染的标签上，然后再用正则表达式检索出来。
我使用了profile和pstats来作为性能分析工具，由于将所有页面爬出来的程序过慢，所以在这边展示爬取一次页面的，按时间排序的一部分结果。

profile.run('main()', "result")
pstats.Stats('result').sort_stats('time').print_stats()

• (3.5)数据可视化界面的展示。在博客中介绍数据可视化界面的组件和设计的思路。

同样，我们在主函数中调用可视化界面制作的函数getMap(fileName,a,b)，第一个参数作为标题，第二个参数为内地疫情的字典，第三个参数为港澳台疫情的字典。
在过程中，我使用了pyecharts工具来制作一个地图类的可视化界面，一个地图中有三个元素，分别为内地新增确诊人数，内地新增无症状感染者，港澳台累计确诊人数。
由于Map().add（）函数中，第二个参数为中国省份以及数据的一个或多个列表，所以我们首先需要通过设置一个迭代来获得我们字典里面的内容，并转换成list列表。
迭代的z是一个省份和人数的元组，如（‘浙江’，（14,5）），14代表确诊，5代表无症状，这时候我们要将z转换成list形式，并分别取出省份名称和确诊人数（或无症状感染人数、累计确诊人数），又讲其转换为list列表，如[‘浙江’，‘14’]，[‘浙江’，‘5’].
最后生成一份本地html。
实现的算法如下

 map1 = (   
     Map(init_opts=opts.InitOpts(width="1500px",height="600px"))
         .add("新增确诊人数", [list((list(z)[0], str(list(z)[1][0])))   #在此只展示新增确诊人数的设计，其余二者都类似操作，只是选择的数据不同
                       for z in zip(list(a.keys()), list(a.values()))], "china")
         .set_global_opts(
         title_opts=opts.TitleOpts(title=fileName),
         visualmap_opts=opts.VisualMapOpts(max_=300, split_number=20, is_piecewise=True, ),
     )
 )
 map1.render(fileName + '.html')# 生成到本地网页形式打开

地图可以实现放大缩小、鼠标互动展示的功能，我们可以通过需求查看不同类型的疫情情况

三、心得体会

这部分怎么写呢，百感交集。

这大概是我入学以来最奋斗的两个周，从任务的最终发布到开始上网收集材料制定计划，从第一行代码到完成运行整个程序，整个开发过程基本上靠自己学习，每一个步骤、每一行代码都是用心血苦苦熬出来的。也有参考网上的各种案例，看着他们的方法自己去学习如何搭建程序，json、Pyppeteer、request等各种方法一一比对，在不断的错误与尝试中最终定下了我易于理解与掌握的方法。程序中我用到的方法最多的就是正则表达式了吧，爬取到网页信息后，先筛选出我所需要的标签内容，再用正则表达式测试器一遍一遍琢磨如何匹配出我所想要的内容，再到构思如何将数据合并、转换、修改，这过程确实很痛苦。

但是由于我选择的方法以及整体代码框架的局限性，我目前无法将所获得的单独的数据结合起来，导致没有方向去编写每日数据对比的算法，只能静态地展示每天的疫情数据，缺乏互通性。

但收获也颇多，虽然我曾经上过pyhton编程课，但我们主要学习了基础语法，并没有教学爬虫相关的内容。在本次个人作业中，我自己学习了丰富的爬虫内容，正则表达式、beautifulsoup等等相关的语法都在编程中逐渐掌握熟练，最终能够做出疫情信息爬取与可视化展示的程序。

我真的很不戳😎 😎