python爬虫抓取哈尔滨天气信息（静态爬虫）

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 - 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 # 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-831 break32 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 as e:41 print('5:', e)42 time.sleep(random.choice(range(30, 80)))43 44 except as e:45 print('6:', e)46 time.sleep(random.choice(range(5, 15)))47 48 return rep.text49 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div57 ul = data.find('ul') # 获取ul部分58 li = ul.find_all('li') # 获取所有的li59 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 final78 79 80 # 写入文件csv81 def write_data(data, name):82 file_name = name83 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 = ' 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。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。