python爬虫入门实战---------一周天气预报爬取_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）...

python版本: 3.5

IDE : pycharm 5.0.4

要用到的包可以用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

程序开头我们添加：

# coding : UTF-8

1

2

这样就能告诉解释器该py程序是utf-8编码的，源程序中可以有中文。

要引用的包：

import requests

import csv

import random

import time

import socket

import http.client

# import urllib.request

from bs4 import BeautifulSoup

1

2

3

4

5

6

7

8

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：时间相关操作

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：另一种抓取网页的html源代码的方法，但是没requests方便（我一开始用的是这一种）

获取网页中的html代码：

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

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

header是requests.get的一个参数，目的是模拟浏览器访问

header 可以使用chrome的开发者工具获得，具体方法如下：

打开chrome，按F12，选择network

重新访问该网站,找到第一个网络请求，查看它的header

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

然后通过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为utf-8（不该源代码中中文部分会为乱码）

下面是一些异常处理

返回 rep.text

获取html中我们所需要的字段：

这里我们主要要用到BeautifulSoup

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

首先还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

找到我们需要字段都在 id = “7d”的“div”的ul中。日期在每个li中h1 中，天气状况在每个li的第一个p标签内，最高温度和最低温度在每个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，所以要多加一个判断。

代码如下：

def get_data(html_text):

final = []

bs = BeautifulSoup(html_text, "html.parser") # 创建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') # 获取所有的li

for day in li: # 对每个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中的所有p标签

temp.append(inf[0].string,) # 第一个p标签中的内容（天气状况）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），需要加个判断语句,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

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

写入文件csv：

将数据抓取出来后我们要将他们写入文件，具体代码如下：

def write_data(data, name):

file_name = name

with open(file_name, 'a', errors='ignore', newline='') as f:

f_csv = csv.writer(f)

f_csv.writerows(data)

1

2

3

4

5

主函数：

if __name__ == '__main__':

url ='http://www.weather.com.cn/weather/101190401.shtml'

html = get_content(url)

result = get_data(html)

write_data(result, 'weather.csv')

1

2

3

4

5

6

然后运行一下：

生成的weather.csv文件如下：

总结一下，从网页上抓取内容大致分3步：

1、模拟浏览器访问，获取html源代码

2、通过正则匹配，获取指定标签中的内容

3、将获取到的内容写到文件中

刚学python爬虫，可能有些理解有错误的地方，请大家批评指正，谢谢！