python爬虫抓取哈尔滨天气信息

python 爬虫 爬取哈尔滨天气信息 - http://www.weather.com.cn/weather/101050101.shtml 

 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 http.client  # 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-8
31             break
32         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 http.client.BadStatusLine as e:
41             print(‘5:‘, e)
42             time.sleep(random.choice(range(30, 80)))
43 
44         except http.client.IncompleteRead as e:
45             print(‘6:‘, e)
46             time.sleep(random.choice(range(5, 15)))
47 
48     return rep.text
49 
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div
57     ul = data.find(‘ul‘)  # 获取ul部分
58     li = ul.find_all(‘li‘)  # 获取所有的li
59 
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 final
78 
79 
80 # 写入文件csv
81 def write_data(data, name):
82     file_name = name
83     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 = ‘http://www.weather.com.cn/weather/101050101.shtml‘
90     html = get_content(url)
91     result = get_data(html)
92     write_data(result, ‘weather.csv‘)