Python⽹络爬⾍⼊门实战（爬取最近7天的天⽓以及最⾼最低⽓温）
前⾔本⽂⽂字及图⽚来源于⽹络，仅供学习、交流使⽤，不具有任何商业⽤途，版权归原作者所有，如有问题请及时以作处理。作者：
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
要⽤到的包可以⽤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包
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
PS：如有需要最新Python⼊门到实战学习资料的朋友可以点击下⽅链接⾃⾏获取
程序开头我们添加：
# coding : UTF-8
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。
要引⽤的包：
import requests
import csv
import random
import time
import socket
import http.client
# quest
from bs4 import BeautifulSoup
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
def get_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))
while True:
try:
rep = (url,headers = header,timeout = timeout)
# req = quest.Request(url, data, header)
# response = quest.urlopen(req, timeout=timeout)
# html1 = ad().decode('UTF-8', errors='ignore')
# response.close()
break
# quest.HTTPError as e:
#        print( '1:', e)
#        time.sleep(random.choice(range(5, 10)))
#
html特效代码天气时钟# quest.URLError as e:
#    print( '2:', e)
#    time.sleep(random.choice(range(5, 10)))
except socket.timeout as e:
print( '3:', e)
time.sleep(random.choice(range(8,15)))
as e:
print( '4:', e)
time.sleep(random.choice(range(20, 60)))
except http.client.BadStatusLine as e:
print( '5:', e)
time.sleep(random.choice(range(30, 80)))
except http.client.IncompleteRead as e:
print( '6:', e)
time.sleep(random.choice(range(5, 15)))
# 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
header是的⼀个参数，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
重新访问该⽹站，到第⼀个⽹络请求，查看它的header
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。
然后通过⽅法获取⽹页的源代码、
返回
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
⾸先还是⽤开发者⼯具查看⽹页源码，并到所需字段的相应位置
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：
def get_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'})  # 到id为7d的div
ul = data.find('ul')  # 获取ul部分
li = ul.find_all('li')  # 获取所有的li
for day in li: # 对每个li标签中的内容进⾏遍历
temp = []
date = day.find('h1').string  # 到⽇期
temp.append(date)  # 添加到temp中
inf = day.find_all('p')  # 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
if inf[1].find('span') is None:
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  # 到最⾼温
temperature_highest = place('℃', '')  # 到了晚上⽹站会变，最⾼温度后⾯也有个℃
temperature_lowest = inf[1].find('i').string  # 到最低温
temperature_lowest = place('℃', '')  # 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
return final
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：
def write_data(data, name):
file_name = name
with open(file_name, 'a', errors='ignore', newline='') as f:
f_csv = csv.writer(f)
f_csv.writerows(data)
1
2
3
4
5
主函数：
if __name__ == '__main__':
url ='www.weather/weather/101190401.shtml'
html = get_content(url)
result = get_data(html)
write_data(result, 'weather.csv')
1
2
3
4
5
6
然后运⾏⼀下：
⽣成的weather.csv⽂件如下：
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！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。