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 - http://www.weather.com.cn/weather/101050101.shtml 

环境：

windows7

python3.4（pip install requests；pip install BeautifulSoup4）

代码：（亲测可以正确执行）

# coding:utf-8
"""
总结一下，从网页上抓取内容大致分3步：
1、模拟浏览器访问，获取html源代码
2、通过正则匹配，获取指定标签中的内容
3、将获取到的内容写到文件中
"""
import requests  # 用来抓取网页的html源代码
import csv  # 将数据写入到csv文件中
import random  # 取随机数
import time  # 时间相关操作
import socket  # 用于异常处理
import http.client  # 用于异常处理
from bs4 import BeautifulSoup  # 用来代替正则式取源码中相应标签中的内容


# 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/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 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    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
    while True:
        try:
            rep = requests.get(url, headers=header, timeout=timeout)
            rep.encoding = 'utf-8'  # rep.encoding = ‘utf-8’是将源代码的编码格式改为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


# 获取html中我们所需要的字段
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

    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('span').string  # 找到最高温
            temperature_highest = temperature_highest.replace('℃', '')  # 到了晚上网站会变，最高温度后面也有个℃
        temperature_lowest = inf[1].find('i').string  # 找到最低温
        temperature_lowest = temperature_lowest.replace('℃', '')  # 最低温度后面有个℃，去掉这个符号
        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加到final中

    return final


# 写入文件csv
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)


if __name__ == '__main__':
    url = 'http://www.weather.com.cn/weather/101050101.shtml'
    html = get_content(url)
    result = get_data(html)
    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，’’， ， ， 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 ， 或 都可以作为换行标识，并且统一转换为 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 ，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 作为换行符。如果设置为’’或者 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 作为换行符。