20223427范欣怡实验四报告

咦yi 2023-06-08 14:57:19

学号 2022-2023-2 Python程序设计》实验四报告
课程:《Python程序设计》
班级:2234
姓名:范欣怡
学号:20223427
实验教师:王志强
实验日期:2022515
必修/选修: 公选课

 1.实验内容
此处填写实验的具体内容;
设计爬虫程序,获取网页上的天气信息,并通过邮件的方式发送给自己。
 2. 实验过程及结果
1)实验过程

A.导入与爬虫有关的库

B.获取所爬取网页的url,并进行UA伪装

C.建立获取天气情况的正则表达式

D.建立字典,处理数据

E.将字典中的数据取出,进行处理

F.编写邮件发送代码

G.调试运行

2)实验源代码

import requests
import re
import smtplib
from email.mime.text import MIMEText
from email.utils import formataddr

from Tools.scripts.which import msg

url =
'http://www.weather.com.cn/weather/101010900.shtml'

header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'
                       'Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.1.1171 SLBChan/32'
}
response = requests.get(
url=url,headers=header)
response.encoding=
'utf-8'
weather_text = response.text
tem =
'<li class=".*?">.*?<h1>(.*?)</h1>'
tem2 = '</big>.*?<p title="(.*?)" class="wea"'
tem3 = '<p class="tem">.*?<i>(.*?)</i>'
tem4 = '<p class="tem">.*?<span>(.*?)</span>'
date_list = re.findall(tem,weather_text, re.S)
condition_list = re.findall(tem2
, weather_text, re.S)
min_tempture_list = re.findall(tem3
, weather_text, re.S)
max_tempture_list = re.findall(tem4
, weather_text, re.S)
weather_condition = {}
weather_tempture_min = {}
weather_tempture_max = {}

if len(max_tempture_list) == 6:
    weather_tempture_max[date_list[
0]] = ''
   
for each in range(0, 3):
        weather_condition[date_list[each]] = condition_list[each]
        weather_tempture_min[date_list[each]] = min_tempture_list[each]
   
for i in range(1, 3):
        weather_tempture_max[date_list[i]] = max_tempture_list[i]

else:
   
for each in range(0, 3):
        weather_condition[date_list[each]] = condition_list[each]
        weather_tempture_min[date_list[each]] = min_tempture_list[each]
        weather_tempture_max[date_list[each]] = max_tempture_list[each]

text1 = []

for n in range(0, 3):
    text1.append(
'日期:' + date_list[n] + '\n天气状况:' + weather_condition[date_list[n]] + '\n最低温--最高温:' +
                 weather_tempture_min[date_list[n]] +
'-' + weather_tempture_max[date_list[n]])
text2 = text1[
0] + '\n' + text1[1] + '\n ' + text1[2]
print(text2)
fromfxyyy =
'2463157225@qq.com'
password = 'pcjhiwlokpcdeaff'
tofxyyy = '2463157225@qq.com'
def mail():
    mail_text=text1[
0]
    ret =
True
    try
:
        msg = MIMEText(mail_text)
        msg[
'From'] = formataddr(["From@一只小游鱼", fromfxyyy])
        msg[
'To'] = formataddr(["一只小游鱼", tofxyyy])
        msg[
'Subject'] = "今日天气"

       
server = smtplib.SMTP_SSL("smtp.qq.com")
        server.login(fromfxyyy
, password)
        server.sendmail(fromfxyyy
, [tofxyyy], msg.as_string())
        server.quit()
   
except Exception:
        ret =
False
    return
ret
ret = mail()

if ret:
   
print("邮件发送成功")
else:
   
print("邮件发送失败")

3)实验截图


3.实验过程中遇到的问题和解决过程
问题1:一开始没有下载安装爬虫程序所需要的库和组件
问题1解决方案:在设置中查找安装
问题2:内容无法发送,只能在邮件中看到主题,内容显示为空


问题2解决方案:将原代码改写成了

mail_text=text1[0]

ret = True

try:

msg = MIMEText(mail_text)”
问题3:不能很好地运用正则表达式
问题3解决方案:查阅了书籍资料,进行相关内容的学习

4.实验感想

这一次的实验我做了很久,从找资料,看博客到真正地开始操作,编写代码的过程中遇到了很多的困难,这是因为我的水平实在有限。之前一直是用idle来编写代码的,这是我第一次在pycharm的环境里调试程序,很方便,简化了不少过程。一开始我只是按照学到的方法思路进行编写,后来我发现好像并不能达到我想要的效果,于是我又进行了新的尝试。实验成功的那一刻,我的心中充满了喜悦,越发的觉得Python是一门很神奇的语言,可以创造出许许多多的可能性。

5.课程总结

虽然只与Python接触了短短几个月的时间,但是我已经切实感受到了它的魅力。于我而言,编写程序的过程是艰难的,但是也是充满乐趣的。能够看到自己编写的代码在屏幕上跳跃,运行着,心中的快乐也是不言自明的。为期十六周的Python课程已经结束了,但是我们学习语言的脚步当然不应该就此停下。希望能在之后的闲暇时间里继续学习,不断提高我的Python水平,希望未来有一天能够不借助外力写出我自己的代码。
6.参考资料
1.CSDN博客 艾派森 《使用python自动发送邮件》

2.CSDN博客 苦苦的码人 Python爬取天气数据,并每天定时发送到QQ邮箱

3.CSDN博客 山与海 通过爬虫定期发送当地天气情况给自己的邮箱

 

 

...全文
504 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文围绕“阶梯碳下考虑P2G-CCS与供需灵活响应的IES优化调度”展开,基于Matlab平台构建综合能源系统(IES)在阶梯式碳交易机制下的优化调度模型。研究深度融合电制气(P2G)与碳捕集、利用与封存(CCS)技术,结合需求侧灵活响应机制,旨在提升系统的低碳运行能力与经济性。通过建立多能流耦合的优化模型,协调电力、天然气、热力等多种能源形式的协同调度,有效降低系统碳排放强度,并借助YALIMIP工具包调用求解器进行高效求解。文档提供了完整的代码实现、模型构建流程与结果分析方法,涵盖从问题建模到仿真实现的全过程,具备较强的可复现性与科研参考价值。; 适合人群:具备电力系统、能源系统或优化建模相关背景的研究生、高校教师及工程技术人员,尤其适合从事综合能源系统、碳减排策略、P2G与CCS技术集成研究的专业人员,需熟练掌握Matlab编程与基本的数学规划知识。; 使用场景及目标:①用于研究阶梯式碳交易政策下综合能源系统的低碳经济调度策略;②支撑P2G-CCS技术与需求响应机制在IES中的仿真集成与性能评估;③作为撰写高水平学术论文(如EI/SCI收录)的技术基础与复现资源,推动碳中和背景下能源系统优化方向的创新研究。; 阅读建议:建议结合百度网盘提供的完整代码与资料包,按照模块逐步调试程序,重点理解目标函数的设计逻辑、碳交易成本的建模方式、约束条件的数学表达及求解器的配置方法,同时关注多能耦合设备的建模细节,配合公众号“荔枝科研社”获取持续的技术支持与案例拓展。
内容概要:本文系统研究了基于卷积神经网络(CNN)与支持向量机(SVM)融合的CNN-SVM混合模型在数据分类预测中的应用,尤其聚焦于工业故障识别领域。通过Matlab平台实现,该方法首先利用CNN强大的多层次特征提取能力对原始输入数据进行深度特征学习,自动捕获关键局部模式与空间结构信息,随后将提取的高层特征作为输入传递至SVM分类器,借助SVM在高维空间中小样本条件下卓越的分类性能与泛化能力完成最终判别任务。文中详尽阐述了模型的整体架构设计、网络参数配置、训练优化流程及特征迁移机制,充分结合了深度学习在特征表达上的优势与传统机器学习在分类决策上的稳健性。实验部分通过实际故障数据集验证了该混合模型相较于单一CNN或SVM模型在分类准确率、鲁棒性和抗过拟合能力方面的显著提升,证明了其在复杂故障诊断任务中的有效性与先进性; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事故障诊断、模式识别、智能制造、电力系统监控或工业数据分析等相关领域的研究生、科研人员及工程技术开发者; 使用场景及目标:① 应用于旋转机械、电力设备、航空航天等领域的多类别故障识别与状态监测;② 掌握深度特征提取与传统分类器融合的技术路径,提升小样本、高噪声环境下数据分类的精度与可靠性;③ 为撰写高水平学术论文、开展科研项目或工程实践提供可复现的算法框架与完整代码支持; 阅读建议:读者应深入理解CNN与SVM的协同工作机制,重点分析特征提取层与分类层之间的接口设计,建议动手运行并调试所提供的Matlab代码,尝试在不同数据集上进行迁移实验与参数调优,以全面掌握该混合模型的应用技巧与优化策略。

144

社区成员

发帖
与我相关
我的任务
社区描述
开展Python教学和技术交流
python 高校 北京·丰台区
社区管理员
  • blackwall0321
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧