Python制作简单的网页爬虫_程序人生

Python制作简单的网页爬虫

admin

2023-07-31 02:33:24

0次

1.准备工作：

工欲善其事必先利其器，因此我们有必要在进行Coding前先配置一个适合我们自己的开发环境，我搭建的开发环境是：

操作系统：Ubuntu 14.04 LTS
Python版本：2.7.6
代码编辑器：Sublime Text 3.0

这次的网络爬虫需求背景我打算延续DotNet开源大本营在他的那篇文章中的需求，这里就不再详解。我们只抓取某一省中所有主要城市从2015-11-22到2015-10-24的白天到夜间的所有天气情况。这里以湖北省为例。
2.实战网页爬虫：
2.1.获取城市列表：
首先，我们需要获取到湖北省所有城市的网页，然后进行网页解析。网络地址为：http://www.tianqihoubao.com/weather/province.aspx?id=420000
我们查看该网页的源码可以发现所有的城市列表都是以，因此，我们可以封装一个函数来通过使用正则表达式获取我们想要的数据，示例代码如下所示：

复制代码代码如下:def ShowCity():
    html=requests.get(\”http://www.tianqihoubao.com/weather/province.aspx?id=420000\”)
    citys= re.findall(\'\’, html.text,re.S)
    for city in citys:
        print city
抓取的结果如下所示：

 1 top/anlu.html\" title=\"安陆历史天气查询
 2 top/badong.html\" title=\"巴东历史天气查询
 3 top/baokang.html\" title=\"保康历史天气查询
 4 top/caidian.html\" title=\"蔡甸历史天气查询
 5 top/changyang.html\" title=\"长阳历史天气查询
 6 top/chibi.html\" title=\"赤壁历史天气查询
 7 top/chongyang.html\" title=\"崇阳历史天气查询
 8 top/dawu.html\" title=\"大悟历史天气查询
 9 top/daye.html\" title=\"大冶历史天气查询
10 top/danjiangkou.html\" title=\"丹江口历史天气查询
11 top/dangyang.html\" title=\"当阳历史天气查询
12 top/ezhou.html\" title=\"鄂州历史天气查询
13 top/enshi.html\" title=\"恩施历史天气查询
14 top/fangxian.html\" title=\"房县历史天气查询
15 top/gongan.html\" title=\"公安历史天气查询
16 top/gucheng.html\" title=\"谷城历史天气查询
17 top/guangshui.html\" title=\"广水历史天气查询
18 top/hanchuan.html\" title=\"汉川历史天气查询
19 top/hanyang.html\" title=\"汉阳历史天气查询
20 top/hefeng.html\" title=\"鹤峰历史天气查询
21 top/hongan.html\" title=\"红安历史天气查询
22 top/honghu.html\" title=\"洪湖历史天气查询
23 top/huangpi.html\" title=\"黄陂历史天气查询
24 top/huanggang.html\" title=\"黄冈历史天气查询
25 top/huangmei.html\" title=\"黄梅历史天气查询
26 top/huangshi.html\" title=\"黄石历史天气查询
27 top/jiayu.html\" title=\"嘉鱼历史天气查询
28 top/jianli.html\" title=\"监利历史天气查询
29 top/jianshi.html\" title=\"建始历史天气查询
30 top/jiangxia.html\" title=\"江夏历史天气查询
31 top/jingshan.html\" title=\"京山历史天气查询
32 top/jingmen.html\" title=\"荆门历史天气查询
33 top/jingzhou.html\" title=\"荆州历史天气查询
34 top/laifeng.html\" title=\"来凤历史天气查询
35 top/laohekou.html\" title=\"老河口历史天气查询
36 top/lichuan.html\" title=\"利川历史天气查询
37 top/lvtian.html\" title=\"罗田历史天气查询
38 top/macheng.html\" title=\"麻城历史天气查询
39 top/nanzhang.html\" title=\"南漳历史天气查询
40 top/qichun.html\" title=\"蕲春历史天气查询
41 top/qianjiang.html\" title=\"潜江历史天气查询
42 top/sanxia.html\" title=\"三峡历史天气查询
43 top/shennongjia.html\" title=\"神农架历史天气查询
44 top/shiyan.html\" title=\"十堰历史天气查询
45 top/shishou.html\" title=\"石首历史天气查询
46 top/songzi.html\" title=\"松滋历史天气查询
47 top/suizhou.html\" title=\"随州历史天气查询
48 top/tianmen.html\" title=\"天门历史天气查询
49 top/hbtongcheng.html\" title=\"通城历史天气查询
50 top/tongshan.html\" title=\"通山历史天气查询
51 top/wufeng.html\" title=\"五峰历史天气查询
52 top/wuchang.html\" title=\"武昌历史天气查询
53 top/wuhan.html\" title=\"武汉历史天气查询
54 top/wuxue.html\" title=\"武穴历史天气查询
55 top/hbxishui.html\" title=\"浠水历史天气查询
56 top/xiantao.html\" title=\"仙桃历史天气查询
57 top/xianfeng.html\" title=\"咸丰历史天气查询
58 top/xianning.html\" title=\"咸宁历史天气查询
59 top/xiangyang.html\" title=\"襄阳历史天气查询
60 top/xiaogan.html\" title=\"孝感历史天气查询
61 top/hbxinzhou.html\" title=\"新洲历史天气查询
62 top/xingshan.html\" title=\"兴山历史天气查询
63 top/xuanen.html\" title=\"宣恩历史天气查询
64 top/hbyangxin.html\" title=\"阳新历史天气查询
65 top/yiling.html\" title=\"夷陵历史天气查询
66 top/yichang.html\" title=\"宜昌历史天气查询
67 top/yicheng.html\" title=\"宜城历史天气查询
68 top/yidu.html\" title=\"宜都历史天气查询
69 top/yingcheng.html\" title=\"应城历史天气查询
70 top/hbyingshan.html\" title=\"英山历史天气查询
71 top/yuanan.html\" title=\"远安历史天气查询
72 top/yunmeng.html\" title=\"云梦历史天气查询
73 top/yunxi.html\" title=\"郧西历史天气查询
74 top/hbyunxian.html\" title=\"郧县历史天气查询
75 top/zaoyang.html\" title=\"枣阳历史天气查询
76 top/zhijiang.html\" title=\"枝江历史天气查询
77 top/zhongxiang.html\" title=\"钟祥历史天气查询
78 top/zhushan.html\" title=\"竹山历史天气查询
79 top/zhuxi.html\" title=\"竹溪历史天气查询
80 top/zigui.html\" title=\"秭归历史天气查询
81 [Finished in 15.4s]

2.2.获取对应城市的所有天气信息：
然后我们需要根据抓取到的城市链接去抓取对应城市的天气情况，这里我们再封装一个函数用于显示对应城市的所有天气状况：

def ShowWeather(city):
 res =str(city).split(\'\" title=\"\')
 print res[1],\'(白天-->夜间)\'
 html=requests.get(\"http://www.tianqihoubao.com/weather/{0}\".format(res[0]))
 weather=re.search(\'(.*?)\', html.text,re.S).group(1)
 res=re.findall(\'(.*?)\', weather,re.S)
 for x in res[2:]:
  w = re.findall(\'>(.*?)<\', x,re.S)
  for y in w[1:]:
   if len(y.strip())<=0:
    pass
    else:
     print y
  print \'--\'*40

这样以来，我们就可以获取到了对应城市的天气情况了！！

完整代码：

#coding:UTF-8
import re
import requests
import sys
reload(sys)
sys.setdefaultencoding(\'UTF-8\')

def ShowWeather(city):
 res =str(city).split(\'\" title=\"\')
 print res[1],\'(白天-->夜间)\'
 html=requests.get(\"http://www.tianqihoubao.com/weather/{0}\".format(res[0]))
 weather=re.search(\'(.*?)\', html.text,re.S).group(1)
 res=re.findall(\'(.*?)\', weather,re.S)
 for x in res[2:]:
  w = re.findall(\'>(.*?)<\', x,re.S)
  for y in w[1:]:
   if len(y.strip())<=0:
    pass
   else:
    print y
  print \'--\'*40
 print \'\\n\',\'*\'*40

def ShowCity():
 html=requests.get(\"http://www.tianqihoubao.com/weather/province.aspx?id=420000\")
 citys= re.findall(\'\', html.text,re.S)
 for city in citys:
  ShowWeather(city)

def main():
 ShowCity()

if __name__==\'__main__\':
 main()

是的，你没有看错，短短34行代码就可以爬取湖北省所有的主要城市1个月的所有天气情况，是不是很厉害呀！！？？？不过不要高兴的太早，凡事有利有弊，看看它的运行结果吧：[Finished in 371.8s]

3.知识总结：　　

3.1.编码问题：　
#在ubuntu上，由于编码问题，我们需要在代码的开始位置添加一行注释，告诉Pyhton解释器我们指定的编码格式：

#此外，我们还需要设置默认的编码格式，否则Sublime Text会无法识别中文，报告一个错误：“UnicodeEncodeError: \’ascii\’ codec can\’t encode characters in position”

#-*-coding:utf8-*-
import sys
reload(sys)
sys.setdefaultencoding(\'UTF-8\')

3.2.正则表达式：

导入正则表达式库：import re
匹配任意字符：.
匹配前一个字符0次或无限次:*
匹配前一个字符0次或一次：？
贪心算法：.*
非贪心算法：.*?
匹配数字：(\\d+)
常用函数：

re.findall(pattern, string)
re.search(pattern, string)
re.sub(pattern, repl, string)

最后的最后，如果你尝试过运行我贴出来的完整代码，或许你会遇到和我一样的瓶颈，就是运行的速度不够快（尤其像我这种机器配置不是很好的电脑）。在我的机器上运行这段脚本总共花费了 371.8s。我运行过多次，每次都是在350+。因此，如果你的程序不在乎运行速度，那么可能Python还是挺适合的，毕竟可以通过它写更少的代码去做更多的事情！！！！

python 网页爬虫

上一篇：简单解决Python文件中文编码问题

下一篇：Python编程中使用Pillow来处理图像的基础教程

Python制作简单的网页爬虫

相关内容

热门资讯