Python制作简单的网页爬虫
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:Ubuntu14.04LTS
Python版本:2.7.6
代码编辑器:SublimeText3.0
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<tdstyle="height:22px"align="center"><ahref="城市天气链接+城市名称">,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:
def ShowCity(): html=requests.get("http://www.tianqihoubao.com/weather/province.aspx?id=420000") citys=re.findall('<tdstyle="height:22px"align="center"><ahref="(.*?)">',html.text,re.S) forcityincitys: printcity
抓取的结果如下所示:
1top/anlu.html"title="安陆历史天气查询 2top/badong.html"title="巴东历史天气查询 3top/baokang.html"title="保康历史天气查询 4top/caidian.html"title="蔡甸历史天气查询 5top/changyang.html"title="长阳历史天气查询 6top/chibi.html"title="赤壁历史天气查询 7top/chongyang.html"title="崇阳历史天气查询 8top/dawu.html"title="大悟历史天气查询 9top/daye.html"title="大冶历史天气查询 10top/danjiangkou.html"title="丹江口历史天气查询 11top/dangyang.html"title="当阳历史天气查询 12top/ezhou.html"title="鄂州历史天气查询 13top/enshi.html"title="恩施历史天气查询 14top/fangxian.html"title="房县历史天气查询 15top/gongan.html"title="公安历史天气查询 16top/gucheng.html"title="谷城历史天气查询 17top/guangshui.html"title="广水历史天气查询 18top/hanchuan.html"title="汉川历史天气查询 19top/hanyang.html"title="汉阳历史天气查询 20top/hefeng.html"title="鹤峰历史天气查询 21top/hongan.html"title="红安历史天气查询 22top/honghu.html"title="洪湖历史天气查询 23top/huangpi.html"title="黄陂历史天气查询 24top/huanggang.html"title="黄冈历史天气查询 25top/huangmei.html"title="黄梅历史天气查询 26top/huangshi.html"title="黄石历史天气查询 27top/jiayu.html"title="嘉鱼历史天气查询 28top/jianli.html"title="监利历史天气查询 29top/jianshi.html"title="建始历史天气查询 30top/jiangxia.html"title="江夏历史天气查询 31top/jingshan.html"title="京山历史天气查询 32top/jingmen.html"title="荆门历史天气查询 33top/jingzhou.html"title="荆州历史天气查询 34top/laifeng.html"title="来凤历史天气查询 35top/laohekou.html"title="老河口历史天气查询 36top/lichuan.html"title="利川历史天气查询 37top/lvtian.html"title="罗田历史天气查询 38top/macheng.html"title="麻城历史天气查询 39top/nanzhang.html"title="南漳历史天气查询 40top/qichun.html"title="蕲春历史天气查询 41top/qianjiang.html"title="潜江历史天气查询 42top/sanxia.html"title="三峡历史天气查询 43top/shennongjia.html"title="神农架历史天气查询 44top/shiyan.html"title="十堰历史天气查询 45top/shishou.html"title="石首历史天气查询 46top/songzi.html"title="松滋历史天气查询 47top/suizhou.html"title="随州历史天气查询 48top/tianmen.html"title="天门历史天气查询 49top/hbtongcheng.html"title="通城历史天气查询 50top/tongshan.html"title="通山历史天气查询 51top/wufeng.html"title="五峰历史天气查询 52top/wuchang.html"title="武昌历史天气查询 53top/wuhan.html"title="武汉历史天气查询 54top/wuxue.html"title="武穴历史天气查询 55top/hbxishui.html"title="浠水历史天气查询 56top/xiantao.html"title="仙桃历史天气查询 57top/xianfeng.html"title="咸丰历史天气查询 58top/xianning.html"title="咸宁历史天气查询 59top/xiangyang.html"title="襄阳历史天气查询 60top/xiaogan.html"title="孝感历史天气查询 61top/hbxinzhou.html"title="新洲历史天气查询 62top/xingshan.html"title="兴山历史天气查询 63top/xuanen.html"title="宣恩历史天气查询 64top/hbyangxin.html"title="阳新历史天气查询 65top/yiling.html"title="夷陵历史天气查询 66top/yichang.html"title="宜昌历史天气查询 67top/yicheng.html"title="宜城历史天气查询 68top/yidu.html"title="宜都历史天气查询 69top/yingcheng.html"title="应城历史天气查询 70top/hbyingshan.html"title="英山历史天气查询 71top/yuanan.html"title="远安历史天气查询 72top/yunmeng.html"title="云梦历史天气查询 73top/yunxi.html"title="郧西历史天气查询 74top/hbyunxian.html"title="郧县历史天气查询 75top/zaoyang.html"title="枣阳历史天气查询 76top/zhijiang.html"title="枝江历史天气查询 77top/zhongxiang.html"title="钟祥历史天气查询 78top/zhushan.html"title="竹山历史天气查询 79top/zhuxi.html"title="竹溪历史天气查询 80top/zigui.html"title="秭归历史天气查询 81[Finishedin15.4s]
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:
defShowWeather(city): res=str(city).split('"title="') printres[1],'(白天-->夜间)' html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0])) weather=re.search('<tablewidth="100%"border="0"class="b"cellpadding="1"cellspacing="1">(.*?)</table>',html.text,re.S).group(1) res=re.findall('<tr>(.*?)</tr>',weather,re.S) forxinres[2:]: w=re.findall('>(.*?)<',x,re.S) foryinw[1:]: iflen(y.strip())<=0: pass else: printy 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 importre importrequests importsys reload(sys) sys.setdefaultencoding('UTF-8') defShowWeather(city): res=str(city).split('"title="') printres[1],'(白天-->夜间)' html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0])) weather=re.search('<tablewidth="100%"border="0"class="b"cellpadding="1"cellspacing="1">(.*?)</table>',html.text,re.S).group(1) res=re.findall('<tr>(.*?)</tr>',weather,re.S) forxinres[2:]: w=re.findall('>(.*?)<',x,re.S) foryinw[1:]: iflen(y.strip())<=0: pass else: printy print'--'*40 print'\n','*'*40 defShowCity(): html=requests.get("http://www.tianqihoubao.com/weather/province.aspx?id=420000") citys=re.findall('<tdstyle="height:22px"align="center"><ahref="(.*?)">',html.text,re.S) forcityincitys: ShowWeather(city) defmain(): 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:[Finishedin371.8s]
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SublimeText会无法识别中文,报告一个错误:“UnicodeEncodeError:'ascii'codeccan'tencodecharactersinposition”
#-*-coding:utf8-*- importsys reload(sys) sys.setdefaultencoding('UTF-8')
3.2.正则表达式:
导入正则表达式库:importre
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!!!!