Python带你轻松进行网页爬虫

1.准备工作：

工欲善其事必先利其器，因此我们有必要在进行Coding前先配置一个适合我们自己的开发环境，我搭建的开发环境是：

操作系统：Ubuntu 14.04 LTS

Python版本：2.7.6

代码编辑器：Sublime Text 3.0

2.实战网页爬虫：

2.1.获取城市列表：

首先，我们需要获取到湖北省所有城市的网页，然后进行网页解析。网络地址为：http://www.tianqihoubao.com/weather/province.aspx?id=420000

我们查看该网页的源码可以发现所有的城市列表都是以，因此，我们可以封装一个函数来通过使用正则表达式获取我们想要的数据，示例代码如下所示：

抓取的结果如下所示：

top/anlu.html" title="安陆历史天气查询

topong.html" title="巴东历史天气查询

top/baokang.html" title="保康历史天气查询

top/caidian.html" title="蔡甸历史天气查询

topangyang.html" title="长阳历史天气查询

......

2.2.获取对应城市的所有天气信息：

然后我们需要根据抓取到的城市链接去抓取对应城市的天气情况，这里我们再封装一个函数用于显示对应城市的所有天气状况：

这样以来，我们就可以获取到了对应城市的天气情况了！！

完整代码：

3.知识总结：　

3.1.编码问题：　

#在ubuntu上，由于编码问题，我们需要在代码的开始位置添加一行注释，告诉Pyhton解释器我们指定的编码格式：

#此外，我们还需要设置默认的编码格式，否则Sublime Text会无法识别中文，报告一个错误：“UnicodeEncodeError: 'ascii' codec can't encode characters in position”

#-*-coding:utf8-*-

import sys

reload(sys)

sys.setdefaultencoding('UTF-8')

3.2.正则表达式：

导入正则表达式库：import re

匹配任意字符：.

匹配前一个字符0次或无限次:*

匹配前一个字符0次或一次：？

贪心算法：.*

非贪心算法：.*?

匹配数字：(\d+)

常用函数：

re.findall(pattern, string)

re.search(pattern, string)

re.sub(pattern, repl, string)

最后的最后，如果你尝试过运行我贴出来的完整代码，或许你会遇到和我一样的瓶颈，就是运行的速度不够快（尤其像我这种机器配置不是很好的电脑）。在我的机器上运行这段脚本总共花费了 371.8s。我运行过多次，每次都是在350+。因此，如果你的程序不在乎运行速度，那么可能Python还是挺适合的，毕竟可以通过它写更少的代码去做更多的事情！！！