實操 | 從0到1教你用Python來爬取整站天氣網

阿新 • • 發佈：2019-12-31

Scrapy

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

一、安裝scrapy

安裝Twisted

Twisted：為 Python 提供的基於事件驅動的網路引擎包。
在下面網址安裝Twisted

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

安裝scrapy

cmd輸入pip install scrapy
安裝完畢，cmd裡輸入scrapy出現安裝成功。

二、瞭解scrapy

Scrapy的元件

引擎，用來處理整個系統的資料流處理，觸發事務。
排程器，用來接受引擎發過來的請求，壓入佇列中，並在引擎再次請求的時候返回。
下載器，用於下載網頁內容，並將網頁內容返回給蜘蛛。
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。
專案管道，負責處理有蜘蛛從網頁中抽取的專案，主要任務是清晰、驗證和儲存資料。當頁面被蜘蛛解析後，將被髮送到專案管道，並經過幾個特定的次序處理資料。
下載器中介軟體，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。
蜘蛛中介軟體，介於Scrapy引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛的響應輸入和請求輸出。
排程中介軟體，介於Scrapy引擎和排程之間的中介軟體，從Scrapy引擎傳送到排程的請求和響應。

其處理流程為：

引擎開啟一個域名時，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需要爬取的URL，然後作為請求在排程中進行排程。
引擎從排程那獲取接下來進行爬取的頁面。
排程將下一個爬取的URL返回給引擎，引擎將他們通過下載中介軟體傳送到下載器。
當網頁被下載器下載完成以後，響應內容通過下載中介軟體被髮送到引擎。
引擎收到下載器的響應並將它通過蜘蛛中介軟體傳送到蜘蛛進行處理。
蜘蛛處理響應並返回爬取到的專案，然後給引擎傳送新的請求。
引擎將抓取到的專案專案管道，並向排程傳送請求。
系統重複第二部後面的操作，直到排程中沒有請求。

三、專案分析

爬取天氣網城市的資訊 url : https://www.aqistudy.cn/historydata/

爬取主要的資訊: 熱門城市每一天的空氣質量資訊

點選月份還有爬取每天的空氣質量資訊

四、新建專案

新建資料夾命令為天氣網爬蟲
cd到根目錄，開啟cmd，執行scrapy startproject weather_spider

建立spider

cd到根目錄,執行scrapy genspider weather www.aqistudy.cn/historydata

這裡的weather是spider的名字

建立的路徑如下：

五、程式碼編寫

對於scrapy，第一步，必須編寫item.py，明確爬取的物件

item.py

對於爬取必須偽裝好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,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)",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/5.0 (Windows NT 5.1) 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",]複製程式碼

在定義好UA後，在middlewares.py中建立RandomUserAgentMiddleware類

middlewares.py

注意要在settings.py中啟用，必須是900，來去掉scrapy本身的UA

setting.py

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

先拿到所有的城市

在scrapy中xpath方法和lxml中的xpath語法一樣

我們可以看出url中缺少前面的部分，follow方法可以自動拼接url,通過meta方法來傳遞需要儲存的city名字，通過callback方法來排程將下一個爬取的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，可以自動拼接url        yield response.follow(url=city_url,meta={'city': city_name},callback=self.parse_month)複製程式碼

這時就是定義parse_month函式，首先分析月份的詳情頁,拿到月份的url

還是在scrapy.shell 中一步一步除錯

通過follow方法拼接url，meta來傳遞city_name要儲存的城市名字，selenium：True先不管然後通過callback方法來排程將下一個爬取的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]))    # 由於爬取的資訊太大了，所有先爬取前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)複製程式碼

在將日的詳細頁的資訊通過xpah來取出

發現竟然為空

同時發現了原始碼沒有該資訊

說明瞭是通過js生成的資料，scrapy只能爬靜態的資訊，所以引出的scrapy對接selenium的知識點，所以上面meta傳遞的引數就是告訴scrapy使用selenium來爬取。複寫WeatherSpiderDownloaderMiddleware下載中介軟體中的process_request函式方法

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'):
            # 為了讓瀏覽器能夠無介面的工作
            chrome_options = Options()
            # 設定chrome瀏覽器無介面模式
            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)  # 因為瀏覽器需要載入渲染
            html = driver.page_source
            driver.quit()
            return scrapy.http.HtmlResponse(url=request.url,body=html,encoding='utf-8',request=request)
        return None複製程式碼

啟用WeatherSpiderDownloaderMiddleware

最後編寫weather.py中的剩下程式碼

六、執行專案

一定要注意專案的根目錄執行命令，可以通過scrapy list檢視是否存在專案

scrapy儲存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，命令如下：預設json

scrapy crawl weather -o spider.json

json lines格式，預設為Unicode編碼

scrapy crawl weather -o spider..jl

csv 逗號表示式，可用Excel開啟

scrapy crawl weather -o spider..csv

xml格式

scrapy crawl weather -o spider..xml

但是儲存的編碼不對，必須在settings中加入FEED_EXPORT_ENCODING = 'utf-8'

七、入庫操作

這裡入的庫是Mongodb，在settings.py中配置

對於入門主要處理的是pipelines中

pipelines.py

在settings中啟用pipelines

效果如下

八、結語

我們本次通過爬取天氣網站的來作為學習 Scrapy 的，這裡展示的關於 Scrapy 大部分的知識點。如果改寫列表，就可以爬取北京所有的天氣資訊，當然還可以爬取全部城市的天氣資訊，即這個天氣網的全部內容基本都爬取。

原始碼獲取請點選「閱讀原文」或後臺回覆Scrapy進行獲取。

實操 | 從0到1教你用Python來爬取整站天氣網

Scrapy

一、安裝scrapy

安裝Twisted

安裝scrapy

二、瞭解scrapy

Scrapy的元件

其處理流程為：

三、專案分析

四、新建專案

五、程式碼編寫

六、執行專案

七、入庫操作

八、結語

實操 | 從0到1教你用Python來爬取整站天氣網

一篇文章教你用python逆向抓取App資料

今天分享一個用Python來爬取小說的小指令碼！（附原始碼）

想要利用Python快速爬取整站圖片？速進（附完整程式碼）

給你一面國旗教你用python畫中國國旗

20行程式碼教你用python給證件照換底色

大廠測試總監簡單教你用python自動化生成測試報告

神操作：教你用Python識別惡意軟體

6個案例手把手教你用Python和OpenCV進行影象處理！

教你用 Python 修改微信（支付寶）運動步數，輕鬆升到 TOP1

實戰｜手把手教你用Python爬取儲存資料，還能自動在Excel中視覺化！

教你用 Python 給自己的頭像加一個小國旗（小月餅）

經典遊戲飛機大戰如何編碼實現？教你用 Python 寫一個！

爬取動漫美女，手把手教你用Python網路爬蟲獲取動漫圖片

一篇文章教你用python畫動態愛心表白

【震驚】手把手教你用python做繪圖工具（一）

教你用python爬取抖音app視訊

還在用別的小說閱讀器？今天教你用Python製作簡易小說閱讀器！

這年代誰還開VIP電影啊，教你用Python爬取最愛的電影並下載到本地

轉換成字串_兩個例項：教你用Python 十六進位制整數與ASCii編碼字串相互轉換...

實操 | 從0到1教你用Python來爬取整站天氣網

Scrapy

一、安裝scrapy

安裝Twisted

安裝scrapy

二、瞭解scrapy

Scrapy的元件

其處理流程為：

三、專案分析

四、新建專案

五、程式碼編寫

六、執行專案

七、入庫操作

八、結語

相關推薦