爬虫实战21:爬取全国空气质量情况

import requests
import bs4
import time
from lxml import etree
import os


def get_cities_url():
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Cache-Control': 'max-age=0',
        'Connection': 'keep-alive',
        'Cookie': 'aqi_query_session=BAh7B0kiD3Nlc3Npb25faWQGOgZFRkkiJTZiZjQ1MWI5NjUzZWNiZDA0MzIzMzllMWUxMWRjYmZiBjsAVEkiEF9jc3JmX3Rva2VuBjsARkkiMUxuYkg4V0tMV2xMeXFBb2NFNDViMHRWTklPRE5lMUxEQ01OQmd2VXFELzg9BjsARg%3D%3D--a08f667c6f9b040442ae1daab0fc5c45641db6bf; __utma=162682429.909376057.1565782011.1565782011.1565782011.1; __utmc=162682429; __utmz=162682429.1565782011.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utmt=1; __utmb=162682429.1.10.1565782011',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    }
    response = requests.get('http://www.pm25.in/', headers=headers).text
    reslut = {}
    soup = bs4.BeautifulSoup(response, 'lxml').find('div', attrs={'class': 'all'}).find_all('ul')
    for item in soup:
        cities = item.find_all('a')
        for item in cities:
            cities_name = item.get_text()
            url = item.get('href')
            cities_url = 'http://www.pm25.in/' + url
            reslut[cities_name] = cities_url
    return reslut


def get_time():
    time_now = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
    return time_now


def get_info(url):
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Cache-Control': 'max-age=0',
        'Connection': 'keep-alive',
        'Cookie': '_utmz=162682429.1565771778.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); _aqi_query_session=BAh7B0kiD3Nlc3Npb25faWQGOgZFRkkiJWFlZjc0ZmU0NDUyY2MzNzM0ZTFmNWQ5NGY5OGEwM2EwBjsAVEkiEF9jc3JmX3Rva2VuBjsARkkiMXNjYXhtV0tVZCtPdmFBOVVGS1RNQThieEJVZlM5aTdOWEtyYzU1MXJva1E9BjsARg%3D%3D--db4a6df8dce35e9592aeafb012e12df5e3111190; __utma=162682429.744598818.1565771778.1565771778.1565832496.2; __utmc=162682429',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
    }
    response = requests.get(url, headers=headers).text
    html = etree.HTML(response)
    heads = bs4.BeautifulSoup(response, 'lxml').find('table', attrs={'id': 'detail-data'}).find('thead').find_all('th')
    city_name = html.xpath('//div[@class="city_name"]/h2/text()')[0]
    data = html.xpath('//div[@class="live_data_time"]/p/text()')[0]
    print(data)
    sites = bs4.BeautifulSoup(response, 'lxml').find('table', attrs={'id': 'detail-data'}).find('tbody').find_all('tr')
    for item in sites:
        site = item.find('td').get_text()
        with open('result/' + str(city_name) + '/' + site + '.txt', 'w+', encoding='utf-8') as f:
            for line in heads:
                head = line.get_text()
                f.write(str(head) + '\t')
            f.write('\n')
            for item1 in sites:
                infos = item1.find_all('td')
                for fo in infos:
                    info = fo.get_text()
                    f.write(str(info) + '\t')
                f.write('\n')


if __name__ == '__main__':
    result = get_cities_url()
    try:
        os.mkdir('result')
    except:
        pass
    for cities_name in result:
        try:
            os.mkdir('result/' + cities_name)
        except:
            pass

        get_info(result[cities_name])



  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
空气质量检测网的部分城市的历年每天质量数据 思路----------------------------------------- 从某城市的空气质量网页获某市每月的链接,再每个月的表格数据。连云港市:https://www.aqistudy.cn/historydata/daydata.php?city=连云港 连云港2014年5月的空气质量:https://www.aqistudy.cn/historydata/daydata.php?city=连云港&month=2014-05 遇到的问题----------------------------------------- 获的网页中的表格数据隐藏,尝试requests无法获。判断可能是动态加载的网页 尝试----------------------------------------- 1. 通过XHR,js查找隐藏数据的加载网页,没有找到。 2. 使用phantomjs.get() result=pd.read_html ,可以获得隐藏的表格数据,但是并不稳定,只是偶尔出现加载的表格数据,无法大规模的获 解决方法----------------------------------------- 查找资料得知这个网站的表格数据在Console里的items中, 使用selenium的webdriver.firefox(),driver.execute_script("return items") 数据可获得。 仍遇到的问题:----------------------------------------- 一个网页可获得数据,但是连续的获网页,会出现两个错误。 1.Message: ReferenceError: items is not defined 2.connection refused 解决方法: 1.connection refused问题,可能是网页开太多,使用driver.quit() 2. 如果 execute_script 还是出错,可尝试pd.read_html获信息。之前用phantomjs获的时候输出空的表格,可能由于加载不够,用 Waite直到table出现之后再获网页 Element=wait.until(EC.element_to_be_clickable((By.XPATH,"/html/body/div[3]/div[1]/div[1]/table/tbody"))) 3.之后出现偶尔出现输出为空,使用循环,如果输出表格为空,再重新获。 if len(result)>1: filename = str(month) + '.xls' result.to_excel('E:\python\案例程序\data\\' + filename) print('成功存入'+filename) driver.quit() else: driver.quit() return getdata(monthhref,month)

“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
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