實操 | 從0到1教你用Python來爬取整站天氣網

時間  2019-11-06
標籤 python 取整 天氣 欄目 Python 简体版
原文   原文鏈接

Scrapy

Scrapy是Python開發的一個快速、高層次的屏幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的數據。

1、安裝scrapy

安裝Twisted

  • Twisted：爲 Python 提供的基於事件驅動的網絡引擎包。html

  • 在下面網址安裝Twistedpython

url:https://www.lfd.uci.edu/~gohlke/pythonlibs/
安裝scrapy

  • cmd輸入pip install scrapyweb

  • 安裝完畢，cmd裏輸入scrapy出現安裝成功。chrome

2、瞭解scrapy

Scrapy的組件

  • 引擎，用來處理整個系統的數據流處理，觸發事務。shell

  • 調度器，用來接受引擎發過來的請求，壓入隊列中，並在引擎再次請求的時候返回。json

  • 下載器，用於下載網頁內容，並將網頁內容返回給蜘蛛。api

  • 蜘蛛，蜘蛛是主要幹活的，用它來制訂特定域名或網頁的解析規則。瀏覽器

  • 項目管道，負責處理有蜘蛛從網頁中抽取的項目，主要任務是清晰、驗證和存儲數據。當頁面被蜘蛛解析後，將被髮送到項目管道，並通過幾個特定的次序處理數據。bash

  • 下載器中間件，位於Scrapy引擎和下載器之間的鉤子框架，主要是處理Scrapy引擎與下載器之間的請求及響應。網絡

  • 蜘蛛中間件，介於Scrapy引擎和蜘蛛之間的鉤子框架，主要工做是處理蜘蛛的響應輸入和請求輸出。

  • 調度中間件，介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。

其處理流程爲：

  • 引擎打開一個域名時，蜘蛛處理這個域名，並讓蜘蛛獲取第一個爬取的URL。

  • 引擎從蜘蛛那獲取第一個須要爬取的URL，而後做爲請求在調度中進行調度。

  • 引擎從調度那獲取接下來進行爬取的頁面。

  • 調度將下一個爬取的URL返回給引擎，引擎將他們經過下載中間件發送到下載器。

  • 當網頁被下載器下載完成之後，響應內容經過下載中間件被髮送到引擎。

  • 引擎收到下載器的響應並將它經過蜘蛛中間件發送到蜘蛛進行處理。

  • 蜘蛛處理響應並返回爬取到的項目，而後給引擎發送新的請求。

  • 引擎將抓取到的項目項目管道，並向調度發送請求。

  • 系統重複第二部後面的操做，直到調度中沒有請求。

3、項目分析

爬取天氣網城市的信息
url : https://www.aqistudy.cn/historydata/
爬取主要的信息: 熱門城市每一天的空氣質量信息
點擊月份還有爬取天天的空氣質量信息

4、新建項目

  • 新建文件夾命令爲天氣網爬蟲

  • cd到根目錄，打開cmd，運行scrapy startproject weather_spider

  • 建立spider

cd到根目錄,運行 scrapy genspider weather www.aqistudy.cn/historydata
這裏的weather是spider的名字

  • 建立的路徑以下：

5、代碼編寫

對於scrapy，第一步，必須編寫item.py，明確爬取的對象

  • item.py


對於爬取必須假裝好UA，在setting.py中定義MY_USER_AGENT來存放UA，注意在settings中命名必須大寫

  • 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",]複製代碼
在定義好UA後，在middlewares.py中建立 RandomUserAgentMiddleware類

  • middlewares.py


注意要在settings.py中激活，必須是900，來去掉scrapy自己的UA

  • setting.py


開始編寫最重要的spider.py，推薦使用scrapy.shell來一步一步調試

  • 先拿到全部的城市

在scrapy中xpath方法和lxml中的xpath語法同樣
咱們能夠看出url中缺乏前面的部分，follow方法能夠自動拼接url,經過meta方法來傳遞須要保存的city名字，經過callback方法來調度將下一個爬取的URL

  • weather.py

def parse(self, response):    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，能夠自動拼接url yield response.follow(url=city_url, meta={'city': city_name}, callback=self.parse_month)複製代碼
這時就是定義parse_month函數，首先分析月份的詳情頁,拿到月份的url
仍是在scrapy.shell 中一步一步調試
經過follow方法拼接url，meta來傳遞city_name要保存的城市名字，selenium：True先無論
而後經過callback方法來調度將下一個爬取的URL，即就是天的爬取詳細頁

  • weather.py

def parse_month(self, response):    """ 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]))    # 因爲爬取的信息太大了，全部先爬取前5個 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)複製代碼
在將日的詳細頁的信息經過xpah來取出
發現居然爲空
同時發現了源代碼沒有該信息
說明了是經過js生成的數據，scrapy只能爬靜態的信息，因此引出的scrapy對接selenium的知識點，因此上面meta傳遞的參數就是告訴scrapy使用selenium來爬取。
複寫 WeatherSpiderDownloaderMiddleware下載中間件中的process_request函數方法

middlewares.py

import time
import scrapy
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
class WeatherSpiderDownloaderMiddleware(object):
    def process_request(self, request, spider):
        if request.meta.get('selenium'):
            # 爲了讓瀏覽器可以無界面的工做
            chrome_options = Options()
            # 設置chrome瀏覽器無界面模式
            chrome_options.add_argument('--headless')
            driver = webdriver.Chrome(chrome_options=chrome_options)
            # 用瀏覽器去訪問這個地址
            driver.get(request.url)
            time.sleep(1.5)  # 由於瀏覽器須要加載渲染
            html = driver.page_source
            driver.quit()
            return scrapy.http.HtmlResponse(url=request.url, body=html, encoding='utf-8', request=request)
        return None複製代碼

激活WeatherSpiderDownloaderMiddleware


最後編寫weather.py中的剩下代碼



6、運行項目

必定要注意項目的根目錄執行命令，能夠經過 scrapy list查看是否存在項目
scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，命令以下：
默認json

  • scrapy crawl weather -o spider.json

json lines格式，默認爲Unicode編碼

  • scrapy crawl weather -o spider..jl

csv 逗號表達式，可用Excel打開

  • scrapy crawl weather -o spider..csv

xml格式

  • scrapy crawl weather -o spider..xml

可是保存的編碼不對，必須在settings中加入 FEED_EXPORT_ENCODING = 'utf-8'

7、入庫操做

這裏入的庫是Mongodb，在settings.py中配置


對於入門主要處理的是pipelines中

  • pipelines.py

  • 在settings中激活pipelines


效果以下

8、結語

咱們本次經過爬取天氣網站的來做爲學習 Scrapy 的，這裏展現的關於 Scrapy 大部分的知識點。若是改寫列表，就能夠爬取北京全部的天氣信息，固然還能夠爬取所有城市的天氣信息，即這個天氣網的所有內容基本都爬取。


源碼獲取請點擊「閱讀原文」或後臺回覆Scrapy進行獲取。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程