【爬虫实战】——Python爬取天气信息

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

该篇将进行城市天气信息爬取实战，主要涉及到网页url解析、正则表达匹配等技术，可用作网页爬虫练手项目。

1 Python网页爬虫简介

  Python是一种流行的编程语言，用于开发各种应用程序，包括网页爬虫。网页爬虫（Web Crawler）是一种自动化程序，用于在互联网上浏览和收集数据。Python提供了许多库和工具，使开发人员能够轻松地构建网页爬虫。

  Python进行网页爬虫的基本原理是模拟人类在互联网上浏览网页的行为。爬虫程序会向目标网站发送请求，获取网页的HTML代码，然后解析这个HTML代码，提取出所需的数据。Python中的requests和BeautifulSoup库是实现这个过程的重要工具。

  Python爬虫架构主要由以下几个部分组成：

1. 调度器（Scheduler）：负责调度URL管理器、下载器、解析器之间的协调工作。
2. URL管理器（URL Manager）：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL。
3. 网页下载器（Web Downloader）：负责从互联网上下载网页的HTML代码。
4. 网页解析器（Web Parser）：负责解析网页的HTML代码，提取出所需的数据。
5. 应用程序（Application）：从网页中提取的有用数据组成的一个应用。

  在Python中进行网页爬虫开发时，还需要注意遵守网站的robots.txt文件规定，以避免对网站造成不必要的负担或违反法律法规。同时，爬虫程序也需要处理各种网络异常和错误，以确保程序的稳定性和可靠性。

  总之，Python是一种非常适合进行网页爬虫开发的编程语言，通过掌握相关的库和工具，开发人员可以轻松地构建出高效、稳定的爬虫程序，从互联网上获取所需的数据。

2 爬虫实战

2.1 导入相关包

import requests
import pandas as pd
import re

2.2 爬取时间范围及城市设置

months = [1,2,3,4,5,6,7,8,9,10,11,12]
years = [2016,2017,2018,2019,2020,2021,2022,2023] 
citys = [59287]

此处城市代码选取‘59287’，实际操作可另选区域或多区域。

2.3 爬取信息设置

index_ = ['MaxTemp','MinTemp', 'WindDir', 'Wind', 'Weather','Aqi','AqiInfo','AqiLevel'] 
# 选取的气象要素

2.4 天气信息抓取

data = pd.DataFrame(columns=index_)  # 建立一个空dataframe
for c in citys:
    for y in years:
        for m in months:
            # 找到json格式数据的url
            if (y<2017) or (y==2017)&(m<=11):
                url = "http://tianqi.2345.com/t/wea_history/js/"+str(c)+"_"+str(y)+str(m)+".js" # ?qq-pf-to=pcqq.c2c
            else:
                url = "http://tianqi.2345.com/t/wea_history/js/"+str(y)+str(m).zfill(2)+"/"+str(c)+"_"+str(y)+str(m).zfill(2)+".js"
            print(url)
            response = requests.get(url=url)
            if response.status_code == 200:  # 防止url请求无响应
                response2 = response.text.replace("'", '"')  # 这一步可以忽略
                #  利用正则表达式获取各个气象要素（方法不唯一）
                date = re.findall("[0-9]{4}-[0-9]{2}-[0-9]{2}", response2)[:-2]
                mintemp = re.findall('yWendu:"(.*?)℃', response2)
                maxtemp = re.findall('bWendu:"(.*?)℃', response2)
                winddir = re.findall('fengxiang:"([\u4E00-\u9FA5]+)',response2)
                wind = re.findall('fengli:"([\u4E00-\u9FA5]+)',response2)
                weather = re.findall('tianqi:"([[\u4E00-\u9FA5]+)~?', response2)
                aqi = re.findall('aqi:"(\d*)',response2)
                aqiInfo = re.findall('aqiInfo:"([\u4E00-\u9FA5]+)',response2)
                aqiLevel = re.findall('aqiLevel:"(\d*)',response2)
                data_spider = pd.DataFrame([maxtemp,mintemp, winddir, wind, weather,aqi,aqiInfo,aqiLevel]).T
                data_spider.columns = index_  # 修改列名
                data_spider.index = date  # 修改索引
                data = pd.concat((data,data_spider), axis=0)  # 数据拼接
                print('%s年%s月的数据抓取成功' % (y, m))
            else:
                print('%s年%s月的数据不存在' % (y, m))
                break

2.4 结果存储

data.to_excel('D:\\天气数据可视化\\天气数据可视化.xlsx')
print('爬取数据展示：\n', data)

2.5 效果展示

3 完整代码

import requests
import pandas as pd
import re

months = [1,2,3,4,5,6,7,8,9,10,11,12]
years = [2016,2017,2018,2019,2020,2021,2022,2023] 
citys = [59287] 

index_ = ['MaxTemp','MinTemp', 'WindDir', 'Wind', 'Weather','Aqi','AqiInfo','AqiLevel']  # 选取的气象要素
data = pd.DataFrame(columns=index_)  # 建立一个空dataframe
for c in citys:
    for y in years:
        for m in months:
            # 找到json格式数据的url
            if (y<2017) or (y==2017)&(m<=11):
                url = "http://tianqi.2345.com/t/wea_history/js/"+str(c)+"_"+str(y)+str(m)+".js" # ?qq-pf-to=pcqq.c2c
            else:
                url = "http://tianqi.2345.com/t/wea_history/js/"+str(y)+str(m).zfill(2)+"/"+str(c)+"_"+str(y)+str(m).zfill(2)+".js"
            print(url)
            response = requests.get(url=url)
            if response.status_code == 200:  # 防止url请求无响应
                response2 = response.text.replace("'", '"')  # 这一步可以忽略
                #  利用正则表达式获取各个气象要素（方法不唯一）
                date = re.findall("[0-9]{4}-[0-9]{2}-[0-9]{2}", response2)[:-2]
                mintemp = re.findall('yWendu:"(.*?)℃', response2)
                maxtemp = re.findall('bWendu:"(.*?)℃', response2)
                winddir = re.findall('fengxiang:"([\u4E00-\u9FA5]+)',response2)
                wind = re.findall('fengli:"([\u4E00-\u9FA5]+)',response2)
                weather = re.findall('tianqi:"([[\u4E00-\u9FA5]+)~?', response2)
                aqi = re.findall('aqi:"(\d*)',response2)
                aqiInfo = re.findall('aqiInfo:"([\u4E00-\u9FA5]+)',response2)
                aqiLevel = re.findall('aqiLevel:"(\d*)',response2)
                data_spider = pd.DataFrame([maxtemp,mintemp, winddir, wind, weather,aqi,aqiInfo,aqiLevel]).T
                data_spider.columns = index_  # 修改列名
                data_spider.index = date  # 修改索引
                data = pd.concat((data,data_spider), axis=0)  # 数据拼接
                print('%s年%s月的数据抓取成功' % (y, m))
            else:
                print('%s年%s月的数据不存在' % (y, m))
                break
data.to_excel('D:\\天气数据可视化\\天气数据可视化.xlsx')
print('爬取数据展示：\n', data)