• Python爬虫之Scrapy天气预报实战


    目的

    写一个真正意义上一个爬虫,并将他爬取到的数据分别保存到txt、json、已经存在的mysql数据库中。
    PS注意:很多人学Python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新Python实战教程免非下,,一起相互监督共同进步!

    目标分析:

    这次我们要爬的是 中国天气网:http://www.weather.com.cn/
    随便点开一个城市的天气比如合肥: http://www.weather.com.cn/weather/101220101.shtml
    我们要爬取的就是图中的:合肥七天的前期预报:

     

    数据的筛选:

    我们使用chrome开发者工具,模拟鼠标定位到相对应位置:

     

    可以看到我们需要的数据,全都包裹在

    <ul class="t clearfix">
    


    我们用bs4、xpath、css之类的选择器定位到这里,再筛选数据就行。
    本着学习新知识的原则,文中的代码将会使用xpath定位。
    这里我们可以这样:

    response.xpath('//ul[@class="t clearfix"]')
    

    Scrapy 框架的实施:

    1. 创建scrapy项目和爬虫:

      $ scrapy startproject weather
      $ cd weather
      $ scrapy genspider HFtianqi www.weather.com.cn/weather/101220101.shtml
      

      这样我们就已经将准备工作做完了。
      看一下当前的目录:

      .
      ├── scrapy.cfg
      └── weather
          ├── __init__.py
          ├── __pycache__
          │   ├── __init__.cpython-36.pyc
          │   └── settings.cpython-36.pyc
          ├── items.py
          ├── middlewares.py
          ├── pipelines.py
          ├── settings.py
          └── spiders
              ├── HFtianqi.py
              ├── __init__.py
              └── __pycache__
                  └── __init__.cpython-36.pyc
      
      4 directories, 11 files
      
    2. 编写items.py:

      这次我们来先编写items,十分的简单,只需要将希望获取的字段名填写进去:

      import scrapy
          
      class WeatherItem(scrapy.Item):
          # define the fields for your item here like:
          # name = scrapy.Field()
          date = scrapy.Field()
          temperature = scrapy.Field()
          weather = scrapy.Field()
          wind = scrapy.Field()
      
    3. 编写Spider:

      这个部分使我们整个爬虫的核心!!

      主要目的是:

      将Downloader发给我们的Response里筛选数据,并返回给PIPELINE处理

      下面我们来看一下代码:

      # -*- coding: utf-8 -*-
      import scrapy
          
      from weather.items import WeatherItem
          
      class HftianqiSpider(scrapy.Spider):
          name = 'HFtianqi'
          allowed_domains = ['www.weather.com.cn/weather/101220101.shtml']
          start_urls = ['http://www.weather.com.cn/weather/101220101.shtml']
          
          def parse(self, response):
              '''
              筛选信息的函数:
              date = 日期
              temperature = 当天的温度
              weather = 当天的天气
              wind = 当天的风向
              '''
          
              # 先建立一个列表,用来保存每天的信息
              items = []
          
              # 找到包裹着天气信息的div
              day = response.xpath('//ul[@class="t clearfix"]')
          
              # 循环筛选出每天的信息:
              for i  in list(range(7)):
                  # 先申请一个weatheritem 的类型来保存结果
                  item = WeatherItem()
              
                  # 观察网页,并找到需要的数据
                  item['date'] = day.xpath('./li['+ str(i+1) + ']/h1//text()').extract()[0]
          
                  item['temperature'] = day.xpath('./li['+ str(i+1) + ']/p[@class="tem"]/i/text()').extract()[0]
                  
                  item['weather'] = day.xpath('./li['+ str(i+1) + ']/p[@class="wea"]/text()').extract()[0]
                  
                  item['wind'] = day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/em/span/@title').extract()[0] + day.xpath('./li['+ str(i+1) + ']/p[@class="win"]/i/text()').extract()[0]
                  
                  items.append(item)
                  
              return items
      
    4. 编写PIPELINE:

      我们知道,pipelines.py是用来处理收尾爬虫抓到的数据的,
      一般情况下,我们会将数据存到本地:

      • 文本形式: 最基本的存储方式
      • json格式 :方便调用
      • 数据库: 数据量比较大时选择的存储方式

      TXT(文本)格式:

      import os
      import requests
      import json
      import codecs
      import pymysql
          
      class WeatherPipeline(object):
          def process_item(self, item, spider):
          
              print(item)
              # print(item)
              # 获取当前工作目录
              base_dir = os.getcwd()
              # 文件存在data目录下的weather.txt文件内,data目录和txt文件需要自己事先建立好
              filename = base_dir + '/data/weather.txt'
          
              # 从内存以追加的方式打开文件,并写入对应的数据
              with open(filename, 'a') as f:
                  f.write(item['date'] + '
      ')
                  f.write(item['temperature'] + '
      ')
                  f.write(item['weather'] + '
      ')
                  f.write(item['wind'] + '
      
      ')
          
              return item
      

      json格式数据:

      我们想要输出json格式的数据,最方便的是在PIPELINE里自定义一个class:

      class W2json(object):
          def process_item(self, item, spider):
              '''
              讲爬取的信息保存到json
              方便其他程序员调用
              '''
              base_dir = os.getcwd()
              filename = base_dir + '/data/weather.json'
          
              # 打开json文件,向里面以dumps的方式吸入数据
              # 注意需要有一个参数ensure_ascii=False ,不然数据会直接为utf编码的方式存入比如:“/xe15”
              with codecs.open(filename, 'a') as f:
                  line = json.dumps(dict(item), ensure_ascii=False) + '
      '
                  f.write(line)
          
              return item
      

      数据库格式(mysql):

      Python对市面上各种各样的数据库的操作都有良好的支持,
      但是现在一般比较常用的免费数据库mysql。

      • 在本地安装mysql:

        linux和mac都有很强大的包管理软件,如apt,brew等等

        window 可以直接去官网下载安装包。

        由于我是Mac,所以我是说Mac的安装方式了。

        $ brew install mysql
        

        在安装的过程中,他会要求你填写root用户的密码,

        这里的root并不是系统层面上的超级用户,是mysql数据库的超级用户。
        安装完成后mysql服务是默认启动的,
        如果重启了电脑,需要这样启动(mac):

        $ mysql.server start
        
      • 登录mysql并创建scrapy用的数据库:

        # 登录进mysql
        $ mysql -uroot -p
        
        # 创建数据库:ScrapyDB ,以utf8位编码格式,每条语句以’;‘结尾
        CREATE DATABASE ScrapyDB CHARACTER SET 'utf8';
        
        # 选中刚才创建的表:
        use ScrapyDB;
        
        # 创建我们需要的字段:字段要和我们代码里一一对应,方便我们一会写sql语句
        CREATE TABLE weather(
        id INT AUTO_INCREMENT,
        date char(24),
        temperature char(24),
        weather char(24),
        wind char(24),
        PRIMARY KEY(id) )ENGINE=InnoDB DEFAULT CHARSET='utf8'
        

        来看一下weather表长啥样:

        show columns from weather
        或者:desc weather
        
      • 安装Python的mysql模块:

        pip install pymysql
        

        最后我们编辑与一下代码:

        class W2mysql(object):
            def process_item(self, item, spider):
                '''
                将爬取的信息保存到mysql
                '''
        
                # 将item里的数据拿出来
                date = item['date']
                temperature = item['temperature']
                weather = item['weather']
                wind = item['wind']
        
                # 和本地的scrapyDB数据库建立连接
                connection = pymysql.connect(
                    host='127.0.0.1',  # 连接的是本地数据库
                    user='root',        # 自己的mysql用户名
                    passwd='********',  # 自己的密码
                    db='ScrapyDB',      # 数据库的名字
                    charset='utf8mb4',     # 默认的编码方式:
                    cursorclass=pymysql.cursors.DictCursor)
        
                try:
                    with connection.cursor() as cursor:
                        # 创建更新值的sql语句
                        sql = """INSERT INTO WEATHER(date,temperature,weather,wind)
                                VALUES (%s, %s, %s, %s)"""
                        # 执行sql语句
                        # excute 的第二个参数可以将sql缺省语句补全,一般以元组的格式
                        cursor.execute(
                            sql, (date, temperature, weather, wind))
        
                    # 提交本次插入的记录
                    connection.commit()
                finally:
                    # 关闭连接
                    connection.close()
        
                return item
        
    5. 编写Settings.py

      我们需要在Settings.py将我们写好的PIPELINE添加进去,
      scrapy才能够跑起来

      这里只需要增加一个dict格式的ITEM_PIPELINES,
      数字value可以自定义,数字越小的优先处理

      BOT_NAME = 'weather'
      
      SPIDER_MODULES = ['weather.spiders']
      NEWSPIDER_MODULE = 'weather.spiders'
      
      ROBOTSTXT_OBEY = True
      
      ITEM_PIPELINES = {
         'weather.pipelines.WeatherPipeline': 300,
         'weather.pipelines.W2json': 400,
         'weather.pipelines.W2mysql': 300,
      }
      
    6. 让项目跑起来:

      $ scrapy crawl HFtianqi
      
    7. 结果展示:

      文本格式:

       

      json格式:

       

      数据库格式:

       

    这次的例子就到这里了,主要介绍如何通过自定义PIPELINE来将爬取的数据以不同的方式保存。注意:很多人学Python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新Python实战教程免非下,,一起相互监督共同进步!

    本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

  • 相关阅读:
    纯CSS星级评价
    Enterprise Library启用签名后发生 PublicKeyToken错误,HRESULT:0x80131040解决
    SQL Server
    该如何选择国外VPS
    网站的伪静态化
    kernel FIELD_SIZEOF宏 NULL地址不访问不出错
    Activity的四种加载模式
    Git magic 简短git使用命令集
    为什么包含多句代码的宏要用do while包括起来?
    使用lsof来查看FD和进程的关系
  • 原文地址:https://www.cnblogs.com/chengxuyuanaa/p/12532768.html
Copyright © 2020-2023  润新知