基于python网络爬虫天气_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）...

最新推荐文章于 2024-08-16 08:00:07 发布

weixin_39844267

最新推荐文章于 2024-08-16 08:00:07 发布

阅读量553

点赞数

文章标签：基于python网络爬虫天气

本文链接：https://blog.csdn.net/weixin_39844267/article/details/113712986

版权

本文介绍了一种使用Python进行网络爬虫的方法，以获取最近7天的天气信息，包括最高和最低气温。通过requests库获取网页HTML，BeautifulSoup解析HTML并提取所需数据，最后将数据写入CSV文件。

摘要由CSDN通过智能技术生成

python版本: 3.5

IDE : pycharm 5.0.4

要用到的包能够用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

html

程序开头咱们添加：web

# coding : UTF-8

这样就能告诉解释器该py程序是utf-8编码的，源程序中能够有中文。chrome

要引用的包：浏览器

import requests

import csv

import random

import time

import socket import http.client # import urllib.request from bs4 import BeautifulSoup

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：时间相关操做

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

urllib.request：另外一种抓取网页的html源代码的方法，可是没requests方便(我一开始用的是这一种)markdown

获取网页中的html代码：网络

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 = requests.get(url,headers = header,timeout = timeout) rep.encoding = 'utf-8' # req = urllib.request.Request(url, data, header) # response = urllib.request.urlopen(req, timeout=timeout) # html1 = response.read().decode('UTF-8', errors='ignore') # response.close() break # except urllib.request.HTTPError as e: # print( '1:', e) # time.sleep(random.choice(range(5, 10))) # # except urllib.request.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))) except socket.error 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 rep.text # return html_text

header是requests.get的一个参数，目的是模拟浏览器访问

header 能够使用chrome的开发者工具得到，具体方法以下：

打开chrome，按F12，选择network

从新访问该网站,找到第一个网络请求，查看它的header

app

timeout是设定的一个超时时间，取随机数是由于防止被网站认定为网络爬虫。

而后经过requests.get方法获取网页的源代码、

rep.encoding = ‘utf-8’是将源代码的编码格式改成utf-8(不应源代码中中文部分会为乱码)

下面是一些异常处理

返回 rep.textpython爬虫

获取html中咱们所须要的字段：

这里咱们主要要用到BeautifulSoup

BeautifulSoup 文档http://www.crummy.com/software/BeautifulSoup/bs4/doc/dom

首先仍是用开发者工具查看网页源码，并找到所需字段的相应位置

找到咱们须要字段都在 id = “7d”的“div”的ul中。日期在每一个li中h1 中，天气情况在每一个li的第一个p标签内，最高温度和最低温度在每一个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，因此要多加一个判断。

代码以下：

def get_data(html_text):

final = []

bs = BeautifulSoup(html_text, "html.parser") # 建立BeautifulSoup对象 body = bs.body # 获取body部分 data = body.find('div', {'id': '7d'}) # 找到id为7d的div ul = data.find('ul') # 获取ul部分 li = ul.find_all('li') # 获取全部的li for day in li: # 对每一个li标签中的内容进行遍历 temp = [] date = day.find('h1').string # 找到日期 temp.append(date) # 添加到temp中 inf = day.find_all('p') # 找到li中的全部p标签 temp.append(inf[0].string,) # 第一个p标签中的内容(天气情况)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)，须要加个判断语句,来输出最低气温 else: temperature_highest = inf[1].find('span').string # 找到最高温 temperature_highest = temperature_highest.replace('℃', '') # 到了晚上网站会变，最高温度后面也有个℃ temperature_lowest = inf[1].find('i').string # 找到最低温 temperature_lowest = temperature_lowest.replace('℃', '') # 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