快捷導(dǎo)航

Python制作簡單的網(wǎng)頁爬蟲

更新時間：2015年11月22日 16:41:10 投稿：hebedich

自己寫的一個爬蟲，模仿了python核心編程書里的程序，有詳細的注釋。是我一個理解學(xué)習(xí)的過程吧。有需要的小伙伴可以參考下

1.準備工作：

工欲善其事必先利其器，因此我們有必要在進行Coding前先配置一個適合我們自己的開發(fā)環(huán)境，我搭建的開發(fā)環(huán)境是：

操作系統(tǒng)：Ubuntu 14.04 LTS
Python版本：2.7.6
代碼編輯器：Sublime Text 3.0

這次的網(wǎng)絡(luò)爬蟲需求背景我打算延續(xù)DotNet開源大本營在他的那篇文章中的需求，這里就不再詳解。我們只抓取某一省中所有主要城市從2015-11-22到2015-10-24的白天到夜間的所有天氣情況。這里以湖北省為例。
2.實戰(zhàn)網(wǎng)頁爬蟲：
2.1.獲取城市列表：
首先，我們需要獲取到湖北省所有城市的網(wǎng)頁，然后進行網(wǎng)頁解析。網(wǎng)絡(luò)地址為：http://www.tianqihoubao.com/weather/province.aspx?id=420000
我們查看該網(wǎng)頁的源碼可以發(fā)現(xiàn)所有的城市列表都是以<td style="height: 22px" align="center"><a href="城市天氣鏈接+城市名稱">，因此，我們可以封裝一個函數(shù)來通過使用正則表達式獲取我們想要的數(shù)據(jù)，示例代碼如下所示：

復(fù)制代碼代碼如下:

def ShowCity():
    html=requests.get("     citys= re.findall('<td style="height: 22px" align="center"><a href="(.*?)">', html.text,re.S)
    for city in citys:
        print city

抓取的結(jié)果如下所示：

 1 top/anlu.html" title="安陸歷史天氣查詢
 2 top/badong.html" title="巴東歷史天氣查詢
 3 top/baokang.html" title="?？禋v史天氣查詢
 4 top/caidian.html" title="蔡甸歷史天氣查詢
 5 top/changyang.html" title="長陽歷史天氣查詢
 6 top/chibi.html" title="赤壁歷史天氣查詢
 7 top/chongyang.html" title="崇陽歷史天氣查詢
 8 top/dawu.html" title="大悟歷史天氣查詢
 9 top/daye.html" title="大冶歷史天氣查詢
10 top/danjiangkou.html" title="丹江口歷史天氣查詢
11 top/dangyang.html" title="當(dāng)陽歷史天氣查詢
12 top/ezhou.html" title="鄂州歷史天氣查詢
13 top/enshi.html" title="恩施歷史天氣查詢
14 top/fangxian.html" title="房縣歷史天氣查詢
15 top/gongan.html" title="公安歷史天氣查詢
16 top/gucheng.html" title="谷城歷史天氣查詢
17 top/guangshui.html" title="廣水歷史天氣查詢
18 top/hanchuan.html" title="漢川歷史天氣查詢
19 top/hanyang.html" title="漢陽歷史天氣查詢
20 top/hefeng.html" title="鶴峰歷史天氣查詢
21 top/hongan.html" title="紅安歷史天氣查詢
22 top/honghu.html" title="洪湖歷史天氣查詢
23 top/huangpi.html" title="黃陂歷史天氣查詢
24 top/huanggang.html" title="黃岡歷史天氣查詢
25 top/huangmei.html" title="黃梅歷史天氣查詢
26 top/huangshi.html" title="黃石歷史天氣查詢
27 top/jiayu.html" title="嘉魚歷史天氣查詢
28 top/jianli.html" title="監(jiān)利歷史天氣查詢
29 top/jianshi.html" title="建始歷史天氣查詢
30 top/jiangxia.html" title="江夏歷史天氣查詢
31 top/jingshan.html" title="京山歷史天氣查詢
32 top/jingmen.html" title="荊門歷史天氣查詢
33 top/jingzhou.html" title="荊州歷史天氣查詢
34 top/laifeng.html" title="來鳳歷史天氣查詢
35 top/laohekou.html" title="老河口歷史天氣查詢
36 top/lichuan.html" title="利川歷史天氣查詢
37 top/lvtian.html" title="羅田歷史天氣查詢
38 top/macheng.html" title="麻城歷史天氣查詢
39 top/nanzhang.html" title="南漳歷史天氣查詢
40 top/qichun.html" title="蘄春歷史天氣查詢
41 top/qianjiang.html" title="潛江歷史天氣查詢
42 top/sanxia.html" title="三峽歷史天氣查詢
43 top/shennongjia.html" title="神農(nóng)架歷史天氣查詢
44 top/shiyan.html" title="十堰歷史天氣查詢
45 top/shishou.html" title="石首歷史天氣查詢
46 top/songzi.html" title="松滋歷史天氣查詢
47 top/suizhou.html" title="隨州歷史天氣查詢
48 top/tianmen.html" title="天門歷史天氣查詢
49 top/hbtongcheng.html" title="通城歷史天氣查詢
50 top/tongshan.html" title="通山歷史天氣查詢
51 top/wufeng.html" title="五峰歷史天氣查詢
52 top/wuchang.html" title="武昌歷史天氣查詢
53 top/wuhan.html" title="武漢歷史天氣查詢
54 top/wuxue.html" title="武穴歷史天氣查詢
55 top/hbxishui.html" title="浠水歷史天氣查詢
56 top/xiantao.html" title="仙桃歷史天氣查詢
57 top/xianfeng.html" title="咸豐歷史天氣查詢
58 top/xianning.html" title="咸寧歷史天氣查詢
59 top/xiangyang.html" title="襄陽歷史天氣查詢
60 top/xiaogan.html" title="孝感歷史天氣查詢
61 top/hbxinzhou.html" title="新洲歷史天氣查詢
62 top/xingshan.html" title="興山歷史天氣查詢
63 top/xuanen.html" title="宣恩歷史天氣查詢
64 top/hbyangxin.html" title="陽新歷史天氣查詢
65 top/yiling.html" title="夷陵歷史天氣查詢
66 top/yichang.html" title="宜昌歷史天氣查詢
67 top/yicheng.html" title="宜城歷史天氣查詢
68 top/yidu.html" title="宜都歷史天氣查詢
69 top/yingcheng.html" title="應(yīng)城歷史天氣查詢
70 top/hbyingshan.html" title="英山歷史天氣查詢
71 top/yuanan.html" title="遠安歷史天氣查詢
72 top/yunmeng.html" title="云夢歷史天氣查詢
73 top/yunxi.html" title="鄖西歷史天氣查詢
74 top/hbyunxian.html" title="鄖縣歷史天氣查詢
75 top/zaoyang.html" title="棗陽歷史天氣查詢
76 top/zhijiang.html" title="枝江歷史天氣查詢
77 top/zhongxiang.html" title="鐘祥歷史天氣查詢
78 top/zhushan.html" title="竹山歷史天氣查詢
79 top/zhuxi.html" title="竹溪歷史天氣查詢
80 top/zigui.html" title="秭歸歷史天氣查詢
81 [Finished in 15.4s]

2.2.獲取對應(yīng)城市的所有天氣信息：
然后我們需要根據(jù)抓取到的城市鏈接去抓取對應(yīng)城市的天氣情況，這里我們再封裝一個函數(shù)用于顯示對應(yīng)城市的所有天氣狀況：

def ShowWeather(city):
 res =str(city).split('" title="')
 print res[1],'(白天-->夜間)'
 html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0]))
 weather=re.search('<table width="100%" border="0" class="b" cellpadding="1" cellspacing="1">(.*?)</table>', html.text,re.S).group(1)
 res=re.findall('<tr>(.*?)</tr>', 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

這樣以來，我們就可以獲取到了對應(yīng)城市的天氣情況了??！

完整代碼：

#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-->夜間)'
 html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0]))
 weather=re.search('<table width="100%" border="0" class="b" cellpadding="1" cellspacing="1">(.*?)</table>', html.text,re.S).group(1)
 res=re.findall('<tr>(.*?)</tr>', 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('<td style="height: 22px" align="center"><a href="(.*?)">', html.text,re.S)
 for city in citys:
  ShowWeather(city)

def main():
 ShowCity()

if __name__=='__main__':
 main()

是的，你沒有看錯，短短34行代碼就可以爬取湖北省所有的主要城市1個月的所有天氣情況，是不是很厲害呀！！？？？不過不要高興的太早，凡事有利有弊，看看它的運行結(jié)果吧：[Finished in 371.8s]

3.知識總結(jié)：　　

3.1.編碼問題：　
#在ubuntu上，由于編碼問題，我們需要在代碼的開始位置添加一行注釋，告訴Pyhton解釋器我們指定的編碼格式：

#此外，我們還需要設(shè)置默認的編碼格式，否則Sublime Text會無法識別中文，報告一個錯誤：“UnicodeEncodeError: 'ascii' codec can't encode characters in position”

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

3.2.正則表達式：

導(dǎo)入正則表達式庫：import re
匹配任意字符：.
匹配前一個字符0次或無限次:*
匹配前一個字符0次或一次：？
貪心算法：.*
非貪心算法：.*?
匹配數(shù)字：(\d+)
常用函數(shù)：

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

最后的最后，如果你嘗試過運行我貼出來的完整代碼，或許你會遇到和我一樣的瓶頸，就是運行的速度不夠快（尤其像我這種機器配置不是很好的電腦）。在我的機器上運行這段腳本總共花費了 371.8s。我運行過多次，每次都是在350+。因此，如果你的程序不在乎運行速度，那么可能Python還是挺適合的，畢竟可以通過它寫更少的代碼去做更多的事情?。。?！