[Python知识库]Python爬虫实例：爬取中国天气网上当地一周的气温

爬虫实例：爬取中国天气网上当地一周的气温

首先在程序开始处添加：
#coding:UTF-8
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

1. 第一步：导入要引用的包

import requests  #用来爬取网页HTML源代码
import csv       #将数据写入CSV文件中
import random    #取随机数
import time       #时间相关操作
import socket   #socket和http.client在这里只用于异常处理
import http.client
import urllib.request  #另一种爬取网页的HTML源代码的方法，但是不如requests方便
from bs4 import BeautifulSoup  #用来代替正则式取源码中相应标签中的内容

2. 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/avif,image/webp,image/apng,*/*;q=0.8',\
              'Accept-Encoding':'gzip, deflate',\
              'Accept-Language':'zh-CN,zh;q=0.9' ,\
              'Connection': 'keep-alive',\
              'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.54 Safari/537.36'}
    timeout = random.choice(range(80,180))
    while True:
        try:
            rep = requests.get(url,headers = header,timeout = timeout)
            rep.encoding = 'utf-8' 
            break
        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) #返回html_text

其中header是requests.get的一个参数，目的是模仿浏览器访问。header可以用Chrome的开发者工具获得，具体方法如下：
打开Chrome进入中国天气网

再鼠标右键点击检查

点击Network，查看第一条网络请求，查看它的header

timeout是设定一个超时时间，取随机数是因为防止被网站认定为爬虫（其实就是哈哈哈）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，不改的话，源代码中中文部分会为乱码。
接着，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

3. 我们需要的字段都在id="7d"的‘“div”的ul中。日期在每个li中hl中,天气情况在每个1i的第一个P标签内，最高温度和是最低温度在每个li的span和i标签中。到了傍晚，需要找到当天最高温度，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部分
    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('i').string    #找到最高温度
            temperature_highest = temperature_highest.replace('℃','')
            temperature_lowest = inf[1].find('span').string    #找到最低温度
            temperature_lowest = temperature_lowest.replace('℃','')
            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添加到final中
    return final

4. 写入文件CSV，将数据爬出来后要将他们写入文件，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)

5. 主函数

if __name__ == '__main__':
   url = 'http://www.weather.com.cn/weather/101200101.shtml'
   html = get_content(url)
   result = get_data(html)
   write_data(result,'weather.csv')

运行程序生成的weather.csv文件如下图所示：