0
点赞
收藏
分享

微信扫一扫

python爬虫抓取哈尔滨天气信息(静态爬虫)

python 爬虫 爬取哈尔滨天气信息 - http://www.weather.com.cn/weather/101050101.shtml

 

环境:

windows7

python3.4(pip install requests;pip install BeautifulSoup4)

 

代码:(亲测可以正确执行)

1 # coding:utf-8
2 """
3 总结一下,从网页上抓取内容大致分3步:
4 1、模拟浏览器访问,获取html源代码
5 2、通过正则匹配,获取指定标签中的内容
6 3、将获取到的内容写到文件中
7 """
8 import requests # 用来抓取网页的html源代码
9 import csv # 将数据写入到csv文件中
10 import random # 取随机数
11 import time # 时间相关操作
12 import socket # 用于异常处理
13 import http.client # 用于异常处理
14 from bs4 import BeautifulSoup # 用来代替正则式取源码中相应标签中的内容
15
16
17 # 获取网页中的html代码
18 def get_content(url, data=None):
19 header = {
20 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
21 'Accept-Encoding': 'gzip, deflate',
22 'Accept-Language': 'zh-CN,zh;q=0.9',
23 'Connection': 'keep-alive',
24 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
25 }
26 timeout = random.choice(range(80, 180)) # 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
27 while True:
28 try:
29 rep = requests.get(url, headers=header, timeout=timeout)
30 rep.encoding = 'utf-8' # rep.encoding = ‘utf-8’是将源代码的编码格式改为utf-8
31 break
32 except socket.timeout as e:
33 print('3:', e)
34 time.sleep(random.choice(range(8, 15)))
35
36 except socket.error as e:
37 print('4:', e)
38 time.sleep(random.choice(range(20, 60)))
39
40 except http.client.BadStatusLine as e:
41 print('5:', e)
42 time.sleep(random.choice(range(30, 80)))
43
44 except http.client.IncompleteRead as e:
45 print('6:', e)
46 time.sleep(random.choice(range(5, 15)))
47
48 return rep.text
49
50
51 # 获取html中我们所需要的字段
52 def get_data(html_text):
53 final = []
54 bs = BeautifulSoup(html_text, "html.parser") # 创建BeautifulSoup对象
55 body = bs.body # 获取body部分
56 data = body.find('div', {'id': '7d'}) # 找到id为7d的div
57 ul = data.find('ul') # 获取ul部分
58 li = ul.find_all('li') # 获取所有的li
59
60 for day in li: # 对每个li标签中的内容进行遍历
61 temp = []
62 date = day.find('h1').string # 找到日期
63 temp.append(date) # 添加到temp中
64 inf = day.find_all('p') # 找到li中的所有p标签
65 temp.append(inf[0].string, ) # 第一个p标签中的内容(天气状况)加到temp中
66 if inf[1].find('span') is None:
67 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
68 else:
69 temperature_highest = inf[1].find('span').string # 找到最高温
70 temperature_highest = temperature_highest.replace('℃', '') # 到了晚上网站会变,最高温度后面也有个℃
71 temperature_lowest = inf[1].find('i').string # 找到最低温
72 temperature_lowest = temperature_lowest.replace('℃', '') # 最低温度后面有个℃,去掉这个符号
73 temp.append(temperature_highest) # 将最高温添加到temp中
74 temp.append(temperature_lowest) # 将最低温添加到temp中
75 final.append(temp) # 将temp加到final中
76
77 return final
78
79
80 # 写入文件csv
81 def write_data(data, name):
82 file_name = name
83 with open(file_name, 'a', errors='ignore', newline='') as f:
84 f_csv = csv.writer(f)
85 f_csv.writerows(data)
86
87
88 if __name__ == '__main__':
89 url = 'http://www.weather.com.cn/weather/101050101.shtml'
90 html = get_content(url)
91 result = get_data(html)
92 write_data(result, 'weather.csv')

 

 

讲解:

python标准库-----内置函数open(file,mode='r',buffering=-1,encoding=None,errors=None,newline=None...)

  • 函数作用:打开一个文件并返回文件对象。如果文件不能打开,抛出异常OSError。
  • file:是一个字符串的文件名称,或者是一个数组表示的文件名称。文件名称可以是相对当前目录的路径,也可以是绝对路径表示。
  • mode:是指打开文件的模式。

  1)‘r’表示打开文件只读,不能写。

  2)‘w’表示打开文件只写,并且清空文件。

  3)‘x’表示独占打开文件,如果文件已经存打开就会失败。

  4)‘a’表示打开文件写,不清空文件,在文件后尾追加的方式写入。

  5)‘b’表示二进制的模式打开文件。

  6)‘t’表示文本模式,默认情况下就是这种模式。

  7)‘+’打开文件更新(读取或写入)。

  8)缺省时的模式就相当于’rt’。比如’w+b’就是打开文件进入读写,把文件清空;’r+b’打开文件,但不把文件  清空。

  • 参数buffering是一个可选的参数,用来表示缓冲区的策略选择。设置为0时,表示不使用缓冲区,直接读写,仅在二进制模式下有效。设置为1时,表示在文本模式下使用行缓冲区方式。设置为大于1时,表示缓冲区的设置大小。如果参数buffering没有给出,使用默认时,会采用下面策略来选择:
    1)对于二进制文件模式时,采用固定块内存缓冲区方式,内存块的大小根据系统设备的分配的磁盘块来决定,如果获取系统磁盘块的大小失败,就使用内部常量io.DEFAULT_BUFFER_SIZE定义的大小。一般的操作系统上,块的大小是4096或者8192字节大小。
    2)对于交互的文本文件(采用isatty()判断为True)时,采用一行缓冲区的方式。其它文本文件使用跟二进制一样的方式。
  • 参数encoding是指明对文件编码,仅适用于文本文件。如果不明编码方式,默认是使用locale.getpreferredencoding()函数返回的编码方式。
  • 参数errors是用来指明编码和解码错误时怎么样处理。不能在二进制的模式下使用。
    1)当指明为’strict’时,编码出错则抛出异常ValueError。
    2)当指明为’ignore’时,忽略错误。
    3)当指明为’replace’时,使用某字符进行替代模式,比如使用’?’来替换出错的。
    4)其它相应还有surrogateescape/xmlcharrefreplacs/backslashreplace。
  • 参数newline是用来控制文本模式之下,一行的结束字符。可以是None,’’,\n,\r,\r\n等。
    1)当在读取模式下,如果新行符为None,那么就作为通用换行符模式工作,意思就是说当遇到\n,\r或\r\n都可以作为换行标识,并且统一转换为\n作为文本输入的换行符。当设置为空’’时,也是通用换行符模式工作,但不作转换为\n,输入什么样的,就保持原样全输入。当设置为其它相应字符时,就会判断到相应的字符作为换行符,并保持原样输入到文本。
    2)当在输出模式时,如果新行符为None,那么所有输出文本都是采用\n作为换行符。如果设置为’’或者\n时,不作任何的替换动作。如果是其它字符,会在字符后面添加\n作为换行符。

 



举报

相关推荐

0 条评论