爬虫（爬最近7天的天气）---转

上一篇 / 下一篇  2016-10-28 15:20:15 / 个人分类：python

查看( 2454 ) / 评论( 0 ) / 评分( 0 / 0 )


最近两天学习了一下Python，并自己写了一个网络爬虫的例子。 
python版本: 3.5 
IDE : pycharm 5.0.4 
要用到的**以用pycharm下载： 
File->Default Settings->Default Project->Project Interpreter 
选择python版本并点右边的加号安装想要的**bsp;
这里写图片描述

我选择的网站是中国天气网中的苏州天气，准备抓取最近7天的天气以及最高/最低气温 
http://www.weather.com.cn/weather/101190401.shtml 
这里写图片描述

程序开头我们添加：

# coding : UTF-8
  • 1
  • 2
  • 1
  • 2

这样就能告诉解释器该py程序是utf-8编码的，源程序中可以有中文。

要引用的**

importrequestsimportcsvimportrandomimporttimeimportsocketimporthttp.client# import urllib.requestfrombs4importBeautifulSoup
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

requests：用来抓取网页的html源代码 
csv：将数据写入到csv文件中 
random：取随机数 
time：时间相关操作 
socket和http.client 在这里只用于异常处理 
BeautifulSoup：用来代替正则式取源码中相应标签中的内容 
urllib.request：另一种抓取网页的html源代码的方法，但是没requests方便（我一开始用的是这一种）

获取网页中的html代码：

defget_content(url , data = None):header={'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8','Accept-Encoding':'gzip, deflate, sdch','Accept-Language':'zh-CN,zh;q=0.8','Connection':'keep-alive','User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.235'}
    timeout = random.choice(range(80,180))whileTrue:try:
            rep = requests.get(url,headers = header,timeout = timeout)
            rep.encoding ='utf-8'# req = urllib.request.Request(url, data, header)# response = urllib.request.urlopen(req, timeout=timeout)# html1 = response.read().decode('UTF-8', errors='ignore')# response.close()break# except urllib.request.HTTPError as e:#         print( '1:', e)#         time.sleep(random.choice(range(5, 10)))## except urllib.request.URLError as e:#     print( '2:', e)#     time.sleep(random.choice(range(5, 10)))exceptsocket.timeoutase:
            print('3:', e)
            time.sleep(random.choice(range(8,15)))exceptsocket.errorase:
            print('4:', e)
            time.sleep(random.choice(range(20,60)))excepthttp.client.BadStatusLinease:
            print('5:', e)
            time.sleep(random.choice(range(30,80)))excepthttp.client.IncompleteReadase:
            print('6:', e)
            time.sleep(random.choice(range(5,15)))returnrep.text# return html_text
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43

header是requests.get的一个参数，目的是模拟浏览器访问 
header 可以使用chrome的开发者工具获得，具体方法如下： 
打开chrome，按F12，选择network 
这里写图片描述 
重新访问该网站,找到第一个网络请求，查看它的header 
这里写图片描述

timeout是设定的一个超时时间，取随机数是因为防止被网站认定为网络爬虫。 
然后通过requests.get方法获取网页的源代码、 
rep.encoding = ‘utf-8’是将源代码的编码格式改为utf-8（不该源代码中中文部分会为乱码） 
下面是一些异常处理 
返回 rep.text

获取html中我们所需要的字段： 
这里我们主要要用到BeautifulSoup 
BeautifulSoup 文档http://www.crummy.com/software/BeautifulSoup/bs4/doc/

首先还是用开发者工具查看网页源码，并找到所需字段的相应位置这里写图片描述 
找到我们需要字段都在 id = “7d”的“div”的ul中。日期在每个li中h1 中，天气状况在每个li的第一个p标签内，最高温度和最低温度在每个li的span和i标签中。 
感谢Joey_Ko指出的错误：到了傍晚，当天气温会没有最高温度，所以要多加一个判断。 
代码如下：

defget_data(html_text):final = []
    bs = BeautifulSoup(html_text,"html.parser")# 创建BeautifulSoup对象body = bs.body# 获取body部分data = body.find('div', {'id':'7d'})# 找到id为7d的divul = data.find('ul')# 获取ul部分li = ul.find_all('li')# 获取所有的lifordayinli:# 对每个li标签中的内容进行遍历temp = []
        date = day.find('h1').string# 找到日期temp.append(date)# 添加到temp中inf = day.find_all('p')# 找到li中的所有p标签temp.append(inf[0].string,)# 第一个p标签中的内容（天气状况）加到temp中ifinf[1].find('span')isNone:
            temperature_highest =None# 天气预报可能没有当天的最高气温（到了傍晚，就是这样），需要加个判断语句,来输出最低气温else:
            temperature_highest = inf[1].find('span').string# 找到最高温temperature_highest = temperature_highest.replace('℃','')# 到了晚上网站会变，最高温度后面也有个℃temperature_lowest = inf[1].find('i').string# 找到最低温temperature_lowest = temperature_lowest.replace('℃','')# 最低温度后面有个℃，去掉这个符号temp.append(temperature_highest)# 将最高温添加到temp中temp.append(temperature_lowest)#将最低温添加到temp中final.append(temp)#将temp加到final中returnfinal
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26

写入文件csv： 
将数据抓取出来后我们要将他们写入文件，具体代码如下：

defwrite_data(data, name):file_name = namewithopen(file_name,'a', errors='ignore', newline='')asf:
            f_csv = csv.writer(f)
            f_csv.writerows(data)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 1
  • 2
  • 3
  • 4
  • 5

主函数：

if__name__ =='__main__':
    url ='http://www.weather.com.cn/weather/101190401.shtml'html = get_content(url)
    result = get_data(html)
    write_data(result,'weather.csv')
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

然后运行一下： 
生成的weather.csv文件如下： 
这里写图片描述

总结一下，从网页上抓取内容大致分3步： 
1、模拟浏览器访问，获取html源代码 
2、通过正则匹配，获取指定标签中的内容 
3、将获取到的内容写到文件中

刚学python爬虫，可能有些理解有错误的地方，请大家批评指正，谢谢！


收藏 举报

TAG:

 

评分：0

我来说两句

Open Toolbar