实操 | 从0到1教你用Python来爬取整站天气网
作者 | 小sen
来源 | 涛哥聊Python
Scrapy
Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。
一、安装scrapy
安装Twisted
Twisted:为 Python 提供的基于事件驱动的网络引擎包。 在下面网址安装Twisted
url:https://www.lfd.uci.edu/~gohlke/pythonlibs/
安装scrapy
cmd输入 pip install scrapy
安装完毕,cmd里输入scrapy出现安装成功。
二、了解scrapy
Scrapy的组件
- 引擎,用来处理整个系统的数据流处理,触发事务。
- 调度器,用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回。
- 下载器,用于下载网页内容,并将网页内容返回给蜘蛛。
- 蜘蛛,蜘蛛是主要干活的,用它来制订特定域名或网页的解析规则。
- 项目管道,负责处理有蜘蛛从网页中抽取的项目,主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
- 下载器中间件,位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
- 蜘蛛中间件,介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。
- 调度中间件,介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
其处理流程为:
引擎打开一个域名时,蜘蛛处理这个域名,并让蜘蛛获取第一个爬取的URL。 引擎从蜘蛛那获取第一个需要爬取的URL,然后作为请求在调度中进行调度。 引擎从调度那获取接下来进行爬取的页面。 调度将下一个爬取的URL返回给引擎,引擎将他们通过下载中间件发送到下载器。 当网页被下载器下载完成以后,响应内容通过下载中间件被发送到引擎。 引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。 蜘蛛处理响应并返回爬取到的项目,然后给引擎发送新的请求。 引擎将抓取到的项目项目管道,并向调度发送请求。 系统重复第二部后面的操作,直到调度中没有请求。
三、项目分析
爬取天气网城市的信息
url : https://www.aqistudy.cn/historydata/
爬取主要的信息: 热门城市每一天的空气质量信息
点击月份还有爬取每天的空气质量信息
四、新建项目
- 新建文件夹命令为天气网爬虫
- cd到根目录,打开cmd,运行
scrapy startproject weather_spider
- 创建spider
cd到根目录,运行
scrapy genspider weather www.aqistudy.cn/historydata
这里的weather是spider的名字
创建的路径如下:
五、代码编写
对于scrapy,第一步,必须编写item.py,明确爬取的对象
- item.py
scrapy
classWeatherSpiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()"""日期 AQI 质量等级 PM2.5 PM10 SO2 CO NO2 O3_8h""" city = scrapy.Field()
date = scrapy.Field()
aqi = scrapy.Field()
level = scrapy.Field()
pm25 = scrapy.Field()
pm10 = scrapy.Field()
so2 = scrapy.Field()
co = scrapy.Field()
no2 = scrapy.Field()
o3_8h = scrapy.Field()
对于爬取必须伪装好UA,在setting.py中定义
MY_USER_AGENT
来存放UA,注意在settings中命名必须大写。- settings.py
MY_USER_AGENT = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
]
在定义好UA后,在middlewares.py中创建
RandomUserAgentMiddleware
类。- middlewares.py
random
classRandomUserAgentMiddleware(object):def__init__(self, user_agents): self.user_agents = user_agents
@classmethod
deffrom_crawler(cls, crawler):# 从settings.py中导入MY_USER_AGENT s = cls(user_agents=crawler.settings.get(
'MY_USER_AGENT'))
return s
defprocess_request(self, request, spider): agent = random.choice(self.user_agents)
request.headers[
'User-Agent'] = agent
returnNone注意要在settings.py中激活,必须是900,来去掉scrapy本身的UA。
- setting.py
DOWNLOADER_MIDDLEWARES = {
'weather_spider.middlewares.RandomUserAgentMiddleware':
900,
}
开始编写最重要的spider.py,推荐使用scrapy.shell来一步一步调试
先拿到所有的城市
在scrapy中xpath方法和lxml中的xpath语法一样
我们可以看出url中缺少前面的部分,follow方法可以自动拼接url,通过meta方法来传递需要保存的city名字,通过callback方法来调度将下一个爬取的URL
- weather.py
city_urls = response.xpath(
'//div[@class="all"]/div[@class="bottom"]//li/a/@href').extract()[
16:
17]
city_names = response.xpath(
'//div[@class="all"]/div[@class="bottom"]//li/a/text()').extract()[
16:
17]
self.logger.info(
'正在爬去{}城市url'.format(city_names[
0]))
for city_url, city_name
in zip(city_urls, city_names):
# 用的follow快捷方式,可以自动拼接urlyield response.follow(url=city_url, meta={
'city': city_name}, callback=self.parse_month)
这时就是定义parse_month函数,首先分析月份的详情页,拿到月份的url
还是在scrapy.shell 中一步一步调试
通过follow方法拼接url,meta来传递city_name要保存的城市名字,selenium:True先不管
然后通过callback方法来调度将下一个爬取的URL,即就是天的爬取详细页
weather.py
"""
解析月份的url
:param response:
:return:
"""
city_name = response.meta[
'city']
self.logger.info(
'正在爬取{}城市的月份url'.format(city_name[
0]))
# 由于爬取的信息太大了,所有先爬取前5个 month_urls = response.xpath(
'//ul[@class="unstyled1"]/li/a/@href').extract()[
0:
5]
for month_url
in month_urls:
yield response.follow(url=month_url, meta={
'city': city_name,
'selenium':
True}, callback=self.parse_day_data)
现在将日的详细页的信息通过xpah来取出
发现竟然为空
同时发现了源代码没有该信息
说明了是通过js生成的数据,scrapy只能爬静态的信息,所以引出的scrapy对接selenium的知识点,所以上面meta传递的参数就是告诉scrapy使用selenium来爬取。
复写
WeatherSpiderDownloaderMiddleware
下载中间件中的process_request函数方法middlewares.py
time
import scrapy
from selenium
import webdriver
from selenium.webdriver.chrome.options
import Options
classWeatherSpiderDownloaderMiddleware(object):defprocess_request(self, request, spider):if request.meta.get(
'selenium'):
# 为了让浏览器能够无界面的工作 chrome_options = Options()
# 设置chrome浏览器无界面模式 chrome_options.add_argument(
'--headless')
driver = webdriver.Chrome(chrome_options=chrome_options)
# 用浏览器去访问这个地址 driver.get(request.url)
time.sleep(
1.5)
# 因为浏览器需要加载渲染 html = driver.page_source
driver.quit()
return scrapy.http.HtmlResponse(url=request.url, body=html, encoding=
'utf-8', request=request)
returnNone激活WeatherSpiderDownloaderMiddleware
DOWNLOADER_MIDDLEWARES = {
'weather_spider.middlewares.WeatherSpiderDownloaderMiddleware':
543,
'weather_spider.middlewares.RandomUserAgentMiddleware':
900,
}
最后编写weather.py中的剩下代码
..items
import WeatherSpiderItem
defparse_day_data(self, response):"""
解析每天的数据
:param response:
:return:
"""
node_list = response.xpath(
'//tr')
# 去掉表头 node_list.pop(
0)
print(response.body)
print(
'开始爬取……')
print(node_list)
for node
in node_list:
item = WeatherSpiderItem
item[
'city'] = response.meta[
'city']
item[
'date'] = node.xpath(
'./td[1]/text()').extract_first()
item[
'aqi'] = node.xpath(
'./td[2]/text()').extract_first()
item[
'level'] = node.xpath(
'./td[3]//text()').extract_first()
item[
'pm25'] = node.xpath(
'./td[4]/text()').extract_first()
item[
'pm10'] = node.xpath(
'./td[5]/text()').extract_first()
item[
'so2'] = node.xpath(
'./td[6]/text()').extract_first()
item[
'co'] = node.xpath(
'./td[7]/text()').extract_first()
item[
'no2'] = node.xpath(
'./td[8]/text()').extract_first()
item[
'o3_8h'] = node.xpath(
'./td[9]/text()').extract_first()
yield item
六、运行项目
一定要注意项目的根目录执行命令,可以通过
scrapy list
查看是否存在项目scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,命令如下:
默认json
- scrapy crawl weather -o spider.json
json lines格式,默认为Unicode编码
- scrapy crawl weather -o spider..jl
csv 逗号表达式,可用Excel打开
- scrapy crawl weather -o spider..csv
xml格式
- scrapy crawl weather -o spider..xml
但是保存的编码不对,必须在settings中加入
FEED_EXPORT_ENCODING = 'utf-8'
七、入库操作
这里入的库是Mongodb,在settings.py中配置
MONGO_URI=
'192.168.96.128'#虚拟机ipMONGO_DB=
'weather'#表名对于入门主要处理的是pipelines中
- pipelines.py
pymongo
classMongoPipeline(object):def__init__(self,mongo_uri,mongo_db): self.mongo_uri=mongo_uri
self.mongo_db=mongo_db
@classmethod
deffrom_crawler(cls, crawler):return cls(
mongo_uri=crawler.settings.get(
'MONGO_URI'),
mongo_db=crawler.settings.get(
'MONGO_DB')
)
defopen_spider(self, spider):# 当爬虫开启时连接MongoDB数据库 self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
defprocess_item(self, item, spider): name = item.__class__.__name__
self.db[name].insert(dict(item))
# 保存数据return item
defclose_spider(self, spider):# 当爬虫关闭时关闭数据库连接 self.client.close()
- 在settings中激活pipelines
ITEM_PIPELINES = {
'weather_spider.pipelines.MongoPipeline':
300,
}
效果如下
八、结语
我们本次通过爬取天气网站的来作为学习 Scrapy 的,这里展示的关于 Scrapy 大部分的知识点。如果改写列表,就可以爬取北京所有的天气信息,当然还可以爬取全部城市的天气信息,即这个天气网的全部内容基本都爬取。
源码获取:
https://github.com/MaoliRUNsen/maoli/tree/master/%E7%88%AC%E8%99%AB/weather_spider
(*本文为 Python大本营转载文章,转载请联系作者)
◆
精彩推荐
◆
由易观携手CSDN联合主办的第三届易观算法大赛正在火热进行中!冠军奖3万元,每团队不超过5人参赛。
本次比赛主要预测访问平台的相关事件的PV,UV流量(包括Web端,移动端等),大赛将会提供相应事件的流量数据,以及对应时间段内的所有事件明细表和用户属性表等数据,进行模型训练,并用训练好的模型预测规定日期范围内的事件流量。
推荐阅读
5大必知的图算法,附Python代码实现
如何用爬虫技术帮助孩子秒到心仪的幼儿园(基础篇)
Python传奇:30年崛起之路 2019年最新华为、BAT、美团、头条、滴滴面试题目及答案汇总
阿里巴巴杨群:高并发场景下Python的性能挑战
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。