一个简单的python爬虫

首先说明,这段代码借鉴了另一篇博客http://blog.csdn.net/u013337691/article/details/51894453,但有些地方出现问题,被我解决了。

 

 
from urllib.request import urlopen
from bs4 import BeautifulSoup
import re
import numpy
import csv


def getdatawithtablehead(url):
    """ 该函数用于获取带表头的数据 """
    html=urlopen(url)
    bsobj=BeautifulSoup(html,"lxml",from_encoding="gb18030") # 获取BeautifulSoup对象
    
    tablelist=bsobj.findAll("tr") # 获取所有的表格
    Dataset=[]
    tablehead=tablelist[0].get_text().strip("\n").split("\n\n")
    Dataset.append(tablehead) # 获取表头
    
    dataset=[]
    for datalist in tablelist[1:]:
        
        data=datalist.get_text().replace(" ","").replace("\r\n","").strip("\n").split("\n")
        dataset.append(data) # 获取当月每一天的数据
    Dataset=numpy.row_stack((Dataset,dataset))
    return Dataset


def getdata(url):
    """ 该函数用于获取不带表头的数据 """
    html=urlopen(url)
    bsobj=BeautifulSoup(html,"lxml",from_encoding="gb18030")
    tablelist=bsobj.findAll("tr")
    dataset=[]
    for datalist in tablelist[1:]:
        data=datalist.get_text().replace(" ","").replace("\r\n","").strip("\n").split("\n")
        dataset.append(data)
    return dataset


# 长沙空气质量指数(AQI)-PM2.5查询地址:
starturl="http://www.tianqihoubao.com/aqi/changsha.html" 
html=urlopen(starturl)
bsobj=BeautifulSoup(html,"lxml") # 获取BeautifulSoup对象
# 找到所有存放月度数据的网页链接,并以列表的形式按月份先后顺序保存这些链接
Sites=[]
for link in bsobj.findAll(href=re.compile("^(/aqi/changsha-)")):
    site="http://www.tianqihoubao.com"+link.attrs['href']
    Sites.append(site)
#数组反转
Sites.reverse()
Dataset=getdatawithtablehead(Sites[0]) # 获取表头和第一个月度数据
for url in Sites[1:]:
    dataset=getdata(url)
    Dataset=numpy.row_stack((Dataset,dataset)) # 获取所有月度数据

csvfile=open("Dataset.csv","w") # 创建csv文件用于保存数据
try:
    writer=csv.writer(csvfile)
    for i in range(numpy.shape(Dataset)[0]):
        writer.writerow((Dataset[i,:])) # 将数据逐行写入csv文件
finally:
    csvfile.close() # 关闭csv文件

另外附加一段学习后自己写的一个简单爬虫

<span style="color:#000000">from urllib.request import urlopen
import re
import numpy
import time
import csv
from bs4 import BeautifulSoup


def getHtmlContent(url):
    html = urlopen(url)
    bsobj = BeautifulSoup(html,"lxml",from_encoding = "gb18030")
    tablelist = bsobj.findAll("tr")


    #Dataset = []
    #tablehead = tablelist[0].get_text().strip("\n").split("\n\n")
    #Dataset.append(tablehead) # 获取表头
    
    dataset=[]
    for datalist in tablelist[1:]:
        data = datalist.get_text().replace(" ","").replace("\r\n","").strip("\n").split("\n")
        dataset.append(data)
        
    #Dataset = numpy.row_stack((Dataset,dataset))
    return dataset
    #return Dataset


def getCurrentTime():
    string = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))
    date = []
    for i in range(0,10):
        date.append(string)
    return date


def saveData(Dataset):
    csvfile=open("Dataset2.csv","a") # 创建csv文件用于保存数据
    try:
        writer=csv.writer(csvfile)
        for i in range(numpy.shape(Dataset)[0]):
            writer.writerow((Dataset[i,:])) # 将数据逐行写入csv文件
    finally:
        csvfile.close() # 关闭csv文件


def main():
    url = "http://www.tianqihoubao.com/aqi/changsha.html"
    Dataset = getHtmlContent(url)
    date = getCurrentTime()
    Dataset = numpy.column_stack((Dataset,date))
    saveData(Dataset)


if __name__ == "__main__":
    main()

 

 

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 7
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值