企业官网建设流程全解析

这次我们来看一个特别适合 Python 期末大作业的完整项目：用 Python 爬取天气数据，再把结果做成数据可视化图表，最后以「天气轮播图」的形式在网页上展示。项目本身不复杂，但覆盖了数据采集、数据清洗、数据存储、可视化、Web 展示、接口调用和批量任务几个环节，正好对应高校 Python 课程设计里常见的得分点。如果你正在找 Python 爬虫期末大作业的项目思路，或者想通过一个 500 行左右的完整案例把「爬虫 + 数据可视化 + Flask」串起来，这篇文章可以直接对照操作。

这个项目最值得关注的点是：天气数据源不需要申请 Key，直接使用 Open-Meteo 的公开免费接口；可视化部分用 ECharts 和 pyecharts 生成折线图、柱状图、指标卡，再用 Flask 做 Web 页面并实现自动轮播。整套流程对电脑配置要求很低，普通笔记本即可，不需要 GPU，也不需要安装数据库。项目代码全部开源逻辑，可以自己改成多城市、多字段、定时更新的版本。

硬件门槛方面，运行环境只需要 Python 3.9 以上版本，网络能访问外部的公开天气接口即可。显存占用不涉及，因为这里没有深度学习模型参与；主要资源消耗来自 requests 抓取、pandas 预处理和 Flask 页面渲染，内存占用通常在几百 MB 以内，具体以本机运行为准。下面我会从环境准备、模块设计、采集实现、存储处理、可视化、Flask 轮播、接口 API 到批量任务，完整拆解这个 Python 爬虫期末大作业项目。

如果你对 Python 爬虫、数据可视化、天气轮播图这类关键词感兴趣，建议把文章收藏起来，后面直接照着代码搭。

1. 核心能力速览

从材料看，这个项目非常适合作为期末大作业：目录结构清晰，代码按模块拆分，数据采集、数据处理、可视化、Web 展示四个部分各有完整输出，老师演示时不容易出现「只能跑通一部分」的情况。

2. 适用场景与使用边界

这种天气爬虫与可视化项目适合以下几类读者：

• 正在准备 Python 爬虫期末大作业或课程设计的学生。
• 需要快速完成「爬虫 + 数据可视化 + Web 页面」组合项目的初学者。
• 想在简历里放一个完整项目，但又不想引入过重框架的开发者。
• 想学习 requests、pandas、pyecharts、Flask 配合使用方法的读者。

不太适合的场景也很明确：如果你需要企业级实时天气服务、高并发接口查询、商业数据分析报告，这个项目就不够用了。Open-Meteo 接口适合学习和展示，不代表可以无限量高频调用。在本地做小规模测试完全没问题，但如果部署到公网并提供多人访问，必须控制请求频率、做好缓存，并仔细阅读对方服务条款。

使用边界必须说清楚：爬虫项目涉及数据来源合规问题。调用 Open-Meteo 这类公开接口时，要遵守接口文档中的使用限制；如果课程要求必须爬取网页，请先确认目标站点是否允许爬虫，查看 robots.txt，并且不要对目标站点造成访问压力。天气数据本身也可能涉及版权，课程作业中用于展示没有问题，但不要直接拿去商用或二次分发。完整项目代码应当只用于学习测试，不应用于违法违规用途。

3. 环境准备与前置条件

建议使用 Python 3.9 到 3.11 的稳定版本。Windows 安装时记得勾选Add Python to PATH，Linux/macOS 一般自带 Python 3，但版本过低时需要先升级。

然后是项目依赖。这里最核心的库有：

• requests：发起 HTTP 请求，获取天气数据。
• pandas：做数据清洗和表格合并。
• pyecharts：生成可视化 HTML 图表。
• flask：提供 Web 服务和数据接口。
• schedule：实现定时更新。

建议在项目目录下创建虚拟环境，避免包冲突。创建并激活虚拟环境：

python -m venv .venv

Windows 下激活：

.venv\Scripts\activate.bat

Linux / macOS 下激活：

source .venv/bin/activate

激活后安装依赖：

pip install requests pandas flask pyecharts schedule

如果下载速度慢，可以切换国内 pip 镜像：

pip install requests pandas flask pyecharts schedule -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，可以用一行命令检查核心库是否可用：

python -c "import requests, pandas, flask, pyecharts; print('deps ok')"

输出deps ok就说明环境正常。开发工具方面，PyCharm 和 VSCode 都可以。VSCode 需要装 Python 插件，然后选择.venv作为解释器。这里特别提醒：很多人在 PyCharm 里点击运行后看到Process finished with exit code 0，页面没有输出，通常不是项目代码问题，而是没有在终端里启动 Flask，或者没有进入虚拟环境。

4. 项目总体设计

为了让期末大作业有「工程感」，代码不能全部堆在一个文件里。这里把项目拆成四个核心模块加一个入口文件。

weather_project/ ├── src/ │ ├── collector.py # 天气数据采集模块 │ ├── storage.py # 数据存储与读取模块 │ ├── analyzer.py # 数据预处理与指标计算 │ └── visualizer.py # pyecharts 可视化模块 ├── app.py # Flask 入口，提供页面和 JSON 接口 ├── templates/ │ └── index.html # 天气轮播图页面 ├── data/ │ ├── weather.csv # 采集后的原始数据 │ └── weather.json # 接口输出数据 ├── requirements.txt └── README.md

模块之间建议按下面的流程串联：

1. collector.py负责从天气接口抓取数据，返回原始 JSON。
2. storage.py把 JSON 扁平化，保存成 CSV 或 JSON 文件。
3. analyzer.py用 pandas 读取 CSV，做类型转换、缺失值处理、指标计算。
4. visualizer.py基于处理后的 DataFrame 生成图表文件。
5. app.py启动 Flask 服务，把图表和天气卡片嵌入网页，实现轮播。
6. 额外增加schedule定时任务，每天自动抓取并更新 CSV。

这样的结构在一个期末大作业中已经属于比较完整的设计。答辩时老师问你「模块之间怎么解耦的」，你也可以直接按照模块职责说明白。

5. 天气数据采集模块实现

5.1 数据源选择

这里选择 Open-Meteo 作为天气数据源。理由很直接：接口公开、免费、无需注册 Key、支持按经纬度查询，返回标准 JSON，非常适合教学演示。

以北京为例，请求https://api.open-meteo.com/v1/forecast，传入经纬度和参数，就能拿到实时天气和未来 7 天预报。可以用 curl 先验证接口是否可用：

curl "https://api.open-meteo.com/v1/forecast?latitude=39.9042&longitude=116.4074&current_weather=true&daily=temperature_2m_max,temperature_2m_min,weathercode&forecast_days=7&timezone=Asia%2FShanghai"

返回的 JSON 中，current_weather包含当前温度、风速、风向、天气代码；daily包含未来 7 天的最高温、最低温和天气代码。这里 weathercode 需要做一个语义映射，比如 0 表示晴，1 表示多云，2 表示阴天，3 表示阴，61 表示小雨，71 表示小雪，95 表示雷阵雨等。

如果要换成国内天气接口，例如和风天气或高德天气，思路完全一致：读取官方文档，替换接口地址和参数，再把 key 配置在环境变量或配置文件中，不要硬编码到代码里。因为 Open-Meteo 不需要 Key，项目演示更顺滑，下面代码均按这个数据源展开。

5.2 城市配置

代码中先维护一个城市列表，每个城市保存名称和经纬度。期末作业一般选择 5 到 8 个城市即可，既能看到轮播效果，又不会让接口请求太多：

# src/collector.py import time from typing import Dict, List, Any import requests CITIES = [ {"city": "北京", "lat": 39.9042, "lon": 116.4074}, {"city": "上海", "lat": 31.2304, "lon": 121.4737}, {"city": "广州", "lat": 23.1291, "lon": 113.2644}, {"city": "深圳", "lat": 22.5431, "lon": 114.0579}, {"city": "成都", "lat": 30.5728, "lon": 104.0668}, {"city": "武汉", "lat": 30.5928, "lon": 114.3055}, ] class WeatherCollector: """天气数据采集器""" def __init__(self, timeout: int = 10): self.base_url = "https://api.open-meteo.com/v1/forecast" self.timeout = timeout self.session = requests.Session() def fetch_city(self, city: Dict[str, Any]) -> Dict[str, Any]: """抓取单个城市的天气数据""" params = { "latitude": city["lat"], "longitude": city["lon"], "current_weather": "true", "daily": "temperature_2m_max,temperature_2m_min,weathercode", "forecast_days": "7", "timezone": "auto", } response = self.session.get(self.base_url, params=params, timeout=self.timeout) response.raise_for_status() data = response.json() data["city"] = city["city"] return data def fetch_batch(self, cities: List[Dict[str, Any]] = None) -> List[Dict[str, Any]]: """批量抓取多个城市天气数据""" cities = cities or CITIES results = [] for city in cities: try: print(f"开始抓取 {city['city']} 的天气数据...") data = self.fetch_city(city) results.append(data) print(f"完成抓取 {city['city']}") except Exception as exc: print(f"抓取 {city['city']} 失败: {exc}") # 控制访问频率，避免请求过于密集 time.sleep(1) return results

这段代码的关键点有三个：用requests.Session()复用连接，多城市循环时更稳定；raise_for_status()能快速暴露 HTTP 错误；每个城市抓取后睡 1 秒，避免对公共接口造成并发压力。期末答辩时如果老师问「反爬怎么办」，也可以这样解释：对公共接口要主动限速，而不是依赖随机 User-Agent 去绕反爬。

5.3 手动测试采集模块

在项目根目录写一个临时测试脚本不太优雅，建议直接在collector.py末尾加一个简单的运行入口，方便第一次验证：

if __name__ == "__main__": collector = WeatherCollector() result = collector.fetch_batch() print(f"成功抓取 {len(result)} 个城市的数据") if result: print(result[0]["city"], result[0]["current_weather"])

在终端执行：

python -m src.collector

正常情况下会看到类似输出，表示已经成功拿到每个城市的当前温度和 daily 预报。由于每次运行的数据都不同，这里不固定输出内容。如果你运行后直接结束且没有任何输出，多半是模块导入路径问题，改为python src/collector.py，或者在项目根目录pip install -e .安装为本地包即可。

6. 数据存储与预处理

6.1 扁平化保存 CSV

接口返回的 JSON 是嵌套结构，直接存盘时不好看。先做一个扁平化函数，把城市名、当前温度、天气代码、未来 7 天最高温、最低温整理成表格：

# src/storage.py import csv import json from pathlib import Path from typing import Dict, Any, List def flatten_weather_data(data: Dict[str, Any]) -> Dict[str, Any]: """将接口返回的嵌套 JSON 扁平化""" current = data.get("current_weather", {}) daily = data.get("daily", {}) max_temps = daily.get("temperature_2m_max", []) min_temps = daily.get("temperature_2m_min", []) codes = daily.get("weathercode", []) dates = daily.get("time", []) flat = { "city": data.get("city", ""), "time": current.get("time", ""), "current_temp": current.get("temperature", ""), "wind_speed": current.get("windspeed", ""), } # 把未来7天预报展开成字段，最多保留7天 for i in range(7): if i < len(dates): flat[f"day_{i + 1}_date"] = dates[i] flat[f"day_{i + 1}_max"] = max_temps[i] if i < len(max_temps) else "" flat[f"day_{i + 1}_min"] = min_temps[i] if i < len(min_temps) else "" flat[f"day_{i + 1}_code"] = codes[i] if i < len(codes) else "" return flat

再提供两个存储函数，分别写 CSV 和 JSON：

def save_to_csv(results: List[Dict[str, Any]], path: str = "data/weather.csv") -> None: """把多个城市的扁平化结果写入 CSV""" Path(path).parent.mkdir(parents=True, exist_ok=True) rows = [flatten_weather_data(item) for item in results] if not rows: print("没有可保存的数据") return fieldnames = list(rows[0].keys()) with open(path, "w", newline="", encoding="utf-8-sig") as f: writer = csv.DictWriter(f, fieldnames=fieldnames) writer.writeheader() writer.writerows(rows) print(f"CSV 保存成功: {path}") def save_to_json(results: List[Dict[str, Any]], path: str = "data/weather.json") -> None: """把原始 JSON 保存下来，供 Flask 接口直接读取""" Path(path).parent.mkdir(parents=True, exist_ok=True) with open(path, "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) print(f"JSON 保存成功: {path}")

CSV 使用utf-8-sig编码，可以直接用 Excel 打开，不会出现中文乱码。这个细节在期末大作业展示中很加分。

6.2 pandas 读取与指标计算

数据预处理放到analyzer.py中。用 pandas 读 CSV，然后把需要计算的字段转成数值类型，避免后面画图时报错：

# src/analyzer.py import pandas as pd def load_weather_data(csv_path: str = "data/weather.csv") -> pd.DataFrame: """读取 CSV 并做基础类型转换""" df = pd.read_csv(csv_path, dtype={"city": str}) for col in ["current_temp", "wind_speed"]: if col in df.columns: df[col] = pd.to_numeric(df[col], errors="coerce") return df def calculate_summary(df: pd.DataFrame) -> pd.DataFrame: """计算每个城市的平均最高温和最低温""" summary = df.groupby("city").agg( current_temp=("current_temp", "mean"), avg_max_7d=("day_1_max", "mean"), avg_min_7d=("day_1_min", "mean"), ).round(2).reset_index() return summary

这里并不产出过于复杂的聚合结果，因为期末项目更重要的是把流程讲清楚：读取、转换、聚合、输出。如果你希望展示更多分析能力，可以再补一个「温差最大城市」排名：

def top_temp_diff(df: pd.DataFrame) -> pd.DataFrame: """计算未来7天温差最大的城市""" diff_cols = [f"day_{i}_max" for i in range(1, 8)] df["max_7d"] = df[diff_cols].max(axis=1) df["min_7d"] = df[diff_cols].min(axis=1) df["temp_diff"] = df["max_7d"] - df["min_7d"] return df.sort_values("temp_diff", ascending=False)[["city", "max_7d", "min_7d", "temp_diff"]]

这样期末大作业的核心输出就不只是「画了几张图」，而是能从数据中发现规律，比如某个城市昼夜温差大、某两天降温明显。这是数据可视化项目里很重要的加分点。

7. 数据可视化：静态图表

7.1 生成折线图与柱状图

pyecharts 是生成 Python 图表比较方便的方式。它会输出独立 HTML 文件，双击即可在浏览器查看，非常适合课程演示。这里以绘制「未来 7 天最高温最低温折线图」为例：

# src/visualizer.py import pandas as pd from pyecharts.charts import Line, Bar from pyecharts import options as opts def make_temperature_line(city: str, df: pd.DataFrame, output_path: str = "outputs/") -> str: """绘制单个城市的未来7天温度趋势折线图""" city_df = df[df["city"] == city] if city_df.empty: raise ValueError(f"没有找到 {city} 的数据") dates = [str(city_df.iloc[0][f"day_{i}_date"]) for i in range(1, 8)] high = [round(city_df.iloc[0][f"day_{i}_max"]) for i in range(1, 8)] low = [round(city_df.iloc[0][f"day_{i}_min"]) for i in range(1, 8)] line = ( Line() .add_xaxis(dates) .add_yaxis("最高温度", high, is_smooth=True) .add_yaxis("最低温度", low, is_smooth=True) .set_global_opts( title_opts=opts.TitleOpts(title=f"{city} 未来7天温度趋势"), tooltip_opts=opts.TooltipOpts(trigger="axis"), yaxis_opts=opts.AxisOpts(name="温度 / ℃"), xaxis_opts=opts.AxisOpts(name="日期"), ) ) return line.render(output_path + f"{city}_temperature_line.html")

再看一个柱状图，用来比较多个城市的当前温度：

def make_current_temp_bar(df: pd.DataFrame, output_path: str = "outputs/") -> str: """绘制多城市当前温度柱状图""" data = df.groupby("city")["current_temp"].mean().round(1).reset_index() bar = ( Bar() .add_xaxis(data["city"].tolist()) .add_yaxis("当前温度", data["current_temp"].tolist()) .set_global_opts( title_opts=opts.TitleOpts(title="多城市当前温度对比"), yaxis_opts=opts.AxisOpts(name="温度 / ℃"), ) ) return bar.render(output_path + "current_temp_bar.html")

注意output_path目录要先创建，否则渲染时会报错。可以在visualizer.py顶部加一行：

from pathlib import Path Path("outputs").mkdir(parents=True, exist_ok=True)

7.2 批量生成所有城市图表

由于期末作业里有多个城市，应该提供一个批量生成入口，直接把所有城市的折线图都生成出来：

def generate_all_charts(df: pd.DataFrame, output_path: str = "outputs/") -> list: """批量生成所有城市的可视化 HTML 文件""" paths = [] Path(output_path).mkdir(parents=True, exist_ok=True) for city in df["city"].unique(): path = make_temperature_line(city, df, output_path) paths.append(path) paths.append(make_current_temp_bar(df, output_path)) return paths if __name__ == "__main__": df = pd.read_csv("data/weather.csv") files = generate_all_charts(df) for f in files: print(f"已生成: {f}")

运行后会在outputs/目录下生成多个 HTML 文件。这里生成的图表是静态的，适合放在作业报告里截图，也可以作为答辩演示材料。

8. 天气轮播图实现

8.1 Flask 服务启动

静态图表是展示的一部分，但“天气轮播图”需要放到 Web 页面里自动切换。这里用 Flask 启动一个本地 Web 服务。app.py的核心逻辑：启动时先确保数据存在，然后提供首页路由和 JSON 数据接口。

# app.py import json import pandas as pd from flask import Flask, render_template, jsonify from src.collector import WeatherCollector, CITIES from src.storage import save_to_csv, save_to_json from src.visualizer import generate_all_charts app = Flask(__name__) WEATHER_CSV = "data/weather.csv" WEATHER_JSON = "data/weather.json" def refresh_data() -> None: """重新抓取天气数据并保存""" collector = WeatherCollector() results = collector.fetch_batch(CITIES) save_to_csv(results, WEATHER_CSV) save_to_json(results, WEATHER_JSON) @app.route("/") def index(): """首页：展示天气轮播图页面""" return render_template("index.html") @app.route("/api/weather") def api_weather(): """JSON 接口：返回天气数据，供前端轮播图使用""" try: with open(WEATHER_JSON, "r", encoding="utf-8") as f: data = json.load(f) return jsonify({"code": 0, "data": data}) except FileNotFoundError: return jsonify({"code": 1, "message": "数据文件不存在，请先抓取数据"}), 404 if __name__ == "__main__": import os if not os.path.exists(WEATHER_JSON): refresh_data() app.run(host="127.0.0.1", port=5000, debug=True)

在终端启动：

python app.py

启动后访问http://127.0.0.1:5000。如果端口被占用，可以改成 5001：

python app.py --port=5001

但这种写法需要额外参数处理，更直接的方法是修改app.run(port=5001)。平时本地测试建议用127.0.0.1，不要在公网随意开放这个服务。

8.2 数据接口 API 调用示例

/api/weather是纯 JSON 接口，前端可以用 fetch 调用，也可以直接用 curl 验证：

curl http://127.0.0.1:5000/api/weather

Python 侧也能调用：

import requests url = "http://127.0.0.1:5000/api/weather" response = requests.get(url, timeout=10) if response.status_code == 200: data = response.json() print(data["code"]) print(len(data["data"]))

这个接口的价值在于把「爬虫数据」和「前端展示」解耦。即使以后换一套前端，后端接口不用改。

8.3 前端轮播页面

在templates/index.html中，先放一个天气卡片容器，再用 JavaScript 定时切换城市。这里使用原生 fetch 获取数据，然后用setInterval实现轮播。为了控制篇幅，CSS 只写核心样式：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>天气轮播图</title> <style> body { font-family: "Microsoft YaHei", sans-serif; background: #1e2b3a; color: #fff; display: flex; justify-content: center; align-items: center; min-height: 100vh; margin: 0; } .weather-card { width: 520px; background: rgba(255, 255, 255, 0.1); border-radius: 16px; padding: 24px; text-align: center; box-shadow: 0 8px 24px rgba(0, 0, 0, 0.3); } .city-name { font-size: 32px; font-weight: bold; } .temp { font-size: 56px; margin: 8px 0; } .desc { font-size: 20px; color: #ddd; } </style> </head> <body> <div class="weather-card" id="weatherCard"> <div class="city-name" id="cityName">--</div> <div class="temp" id="temp">-- ℃</div> <div class="desc" id="weatherDesc">--</div> </div> <script> const WEATHER_CODE_MAP = { 0: "晴", 1: "多云", 2: "阴", 3: "阴", 45: "雾", 51: "毛毛雨", 61: "小雨", 71: "小雪", 80: "阵雨", 95: "雷阵雨" }; let weatherList = []; let currentIndex = 0; function formatWeatherCode(code) { return WEATHER_CODE_MAP[code] || "未知"; } function displayCity(index) { if (!weatherList.length) return; const item = weatherList[index]; const current = item.current_weather; document.getElementById("cityName").textContent = item.city; document.getElementById("temp").textContent = current.temperature + " ℃"; document.getElementById("weatherDesc").textContent = formatWeatherCode(current.weathercode); } function startRotation() { setInterval(() => { currentIndex = (currentIndex + 1) % weatherList.length; displayCity(currentIndex); }, 3000); } fetch("/api/weather") .then(res => res.json()) .then(data => { if (data.code === 0) { weatherList = data.data; displayCity(0); startRotation(); } }) .catch(err => { console.error("加载天气数据失败:", err); }); </script> </body> </html>

轮播的核心逻辑很简单：setInterval每 3 秒把城市索引 +1，取模后重新渲染页面上的城市名、温度和天气描述。如果以后想加入未来 7 天趋势，可以在卡片下方放一个 ECharts 图表容器，切换城市时同步更新图表数据。

到这里，一个完整的天气轮播图项目已经能跑通：抓取数据保存 CSV/JSON，Flask 提供页面和接口，浏览器自动轮播多个城市天气。

9. 批量任务与定时更新

期末大作业如果能展示「定时更新」，工程完成度会明显提高。这个项目里可以加入两个扩展：

9.1 用 schedule 做每日定时抓取

在主程序里加一个定时任务，每天上午 8 点自动刷新一次数据：

# tasks.py import schedule import time from app import refresh_data def start_scheduler(): schedule.every().day.at("08:00").do(refresh_data) print("定时任务已启动，每天 08:00 更新天气数据") while True: schedule.run_pending() time.sleep(60)

执行时单独起一个终端：

python tasks.py

这样做的好处是：期末报告里可以写「本项目支持每日定时采集，采集结果自动落盘」，而不是只做一次性抓取。如果你的课程不要求定时调度，也可以跳过这一步，不影响主流程。

9.2 批量任务日志与失败重试

批量抓取天气数据时，网络波动可能导致某个城市失败。建议在采集模块里加入失败重试机制：

def fetch_with_retry(self, city, retries: int = 3): """带重试机制的抓取函数""" for attempt in range(1, retries + 1): try: return self.fetch_city(city) except Exception as exc: print(f"第 {attempt} 次尝试失败: {exc}") time.sleep(2) return None

fetch_batch里调用这个带重试的函数，如果返回None就把该城市跳过，不影响其他城市。批量任务需要做好日志记录，最好写一个log.txt，把每次抓取成功和失败的情况记录下来，方便排查问题。不要把失败信息只打在控制台，因为控制台内容在关闭后不会保留。

10. 资源占用与运行性能

这个项目不需要 GPU，显存占用不涉及。运行时主要观察以下三个指标：

内存占用方面，pandas加载一份几 KB 到几十 KB 的天气 CSV，内存占用通常在几十 MB；Flask 服务本身也很轻量。普通笔记本完全跑得动。

网络请求方面，抓取 6 个城市，每个城市 1 个请求，加上time.sleep(1)，整个过程会持续 10 到 20 秒。如果批量城市数量扩大，请求时间会线性增长。建议控制并发，不要同时发起几十个请求打公共接口。你在答辩时可以主动说明这一点：项目中没有盲目使用多线程，而是选择了稳定优先的串行采集，这是对公共数据源负责的做法。

CPU 占用方面，更多发生在 pyecharts 渲染图表时。渲染多个城市的 HTML 图表通常需要几秒钟，属于正常现象。如果你发现图表生成很慢，可以检查是否同时打开了多个大型 HTML 文件，或者把outputs/目录清空后再生成。

页面加载方面，Flask 默认单线程工作，如果开启 debug，每次代码变更会自动重启。真实演示时，建议关闭 debug，只运行app.run(host="127.0.0.1", port=5000)，避免浏览器请求时服务重启导致卡顿。

端口冲突也是一个常见问题。如果启动app.py时提示端口被占用，可以用下面的命令检查：

netstat -ano | findstr :5000

找到占用进程后结束进程，或者直接把端口改成 5001、5002。

11. 常见问题与排查方法

这里需要特别强调：如果接口请求返回 429 或 403，大概率是请求频率过高或缺少必要的请求头。本项目使用 Open-Meteo 免费接口时，要遵守其服务条款，不要高频请求。如果换成国内天气接口，则需要注册账号并申请 API Key，把 Key 配置到环境变量中，而不是提交到公开仓库。

12. 最佳实践与合规提醒

这个 Python 爬虫期末大作业项目虽然代码量不大，但要写成一个合格的项目，还要注意以下几点。

第一，配置文件与代码分离。不要把 API Key、数据库密码等敏感信息写死在代码里。可以用.env文件或环境变量，比如：

import os WEATHER_API_KEY = os.getenv("WEATHER_API_KEY", "")

第二，数据目录与输出目录分离。data/放原始数据，outputs/放生成的可视化 HTML，日志单独放logs/。这样项目看起来更专业，也方便清理临时文件。

第三，抓取数据时要控制频率。即使接口免费，也不能无限循环请求。批量抓取时至少加入 1 秒延迟，设置单次任务的总请求数上限。

第四，版权与合规。天气数据来自公开接口或网页时，要注意服务条款。用于课程作业、学习测试没问题，但如果要把项目发布到 GitHub 或部署到公网，需要去除所有敏感信息，并确认数据源允许使用。涉及用户隐私的数据坚决不爬、不存、不展示。

第五，代码要加注释和 README。期末大作业的评分老师通常关注代码可读性。在每个模块文件顶部写清楚模块作用，函数内部加适量注释，README 中写清运行步骤、依赖、截图，这种「额外文档」往往是拿高分的关键。

第六，输出内容要复核。天气轮播图里展示的城市名、温度、天气描述，都应在发布前人工检查一遍。可视化项目里出现过数据单位不一致、时间字段偏移等问题，都可能影响最终展示效果。

13. 总结与下一步

这个项目最值得尝试的点在于：它不依赖付费 API Key，不依赖 GPU，不依赖复杂的数据库，用一套简单清晰的代码就把「爬虫采集、数据存储、数据分析、可视化、Web 展示、定时任务」串了起来。无论是期末大作业，还是想快速入门 Python 爬虫与数据可视化，都值得照着跑一遍。

第一个要验证的功能，是src/collector.py能不能成功抓取到天气 JSON。只要这个模块通了，后面的数据存储、图表和轮播页面就都有数据支撑。最容易踩的坑是直接运行app.py时发现没有data/weather.json，页面打开后是空的。解决办法也很简单：第一次运行前先执行一次refresh_data()，或者直接运行python app.py，让入口函数自动判断并完成首次抓取。

后续可以继续扩展的方向包括：接入国内天气接口，增加空气质量指数字段；在轮播页面中加入未来 7 天 ECharts 趋势图；使用 MySQL 或 SQLite 代替 CSV 做数据持久化；用 Redis 做接口缓存，降低抓取频率；加上简单的用户登录和收藏城市功能。每一步扩展都不需要重构现有代码，模块化设计已经为后续留下了空间。

建议直接把这个项目保存到本地，按文中的目录结构创建文件，依次运行采集、存储、可视化和 Flask 服务，然后用浏览器打开天气轮播图页面，把效果截图放进期末报告。剩下的时间可以优化样式、增加城市、补全测试用例，这样交上去的期末大作业会显得完整且扎实。