Python制作简单的网页爬虫

1.准备工作：

工欲善其事必先利其器，因此我们有必要在进行Coding前先配置一个适合我们自己的开发环境，我搭建的开发环境是：

操作系统：Ubuntu 14.04 LTS
Python版本：2.7.6
代码编辑器：Sublime Text 3.0

这次的网络爬虫需求背景我打算延续DotNet开源大本营在他的那篇文章中的需求，这里就不再详解。我们只抓取某一省中所有主要城市从2015-11-22到2015-10-24的白天到夜间的所有天气情况。这里以湖北省为例。
2.实战网页爬虫：
2.1.获取城市列表：
首先，我们需要获取到湖北省所有城市的网页，然后进行网页解析。网络地址为：http://www.tianqihoubao.com/weather/province.aspx?id=420000
我们查看该网页的源码可以发现所有的城市列表都是以

，因此，我们可以封装一个函数来通过使用正则表达式获取我们想要的数据，示例代码如下所示：
复制代码 代码如下:def  ShowCity():
    html=requests.get(“http://www.tianqihoubao.com/weather/province.aspx?id=420000”)
    citys= re.findall(”, html.text,re.S)
    for city in citys:
        print city
抓取的结果如下所示：

 1 top/anlu.html" title="安陆历史天气查询 2 top/badong.html" title="巴东历史天气查询 3 top/baokang.html" title="保康历史天气查询 4 top/caidian.html" title="蔡甸历史天气查询 5 top/changyang.html" title="长阳历史天气查询 6 top/chibi.html" title="赤壁历史天气查询 7 top/chongyang.html" title="崇阳历史天气查询 8 top/dawu.html" title="大悟历史天气查询 9 top/daye.html" title="大冶历史天气查询10 top/danjiangkou.html" title="丹江口历史天气查询11 top/dangyang.html" title="当阳历史天气查询12 top/ezhou.html" title="鄂州历史天气查询13 top/enshi.html" title="恩施历史天气查询14 top/fangxian.html" title="房县历史天气查询15 top/gongan.html" title="公安历史天气查询16 top/gucheng.html" title="谷城历史天气查询17 top/guangshui.html" title="广水历史天气查询18 top/hanchuan.html" title="汉川历史天气查询19 top/hanyang.html" title="汉阳历史天气查询20 top/hefeng.html" title="鹤峰历史天气查询21 top/hongan.html" title="红安历史天气查询22 top/honghu.html" title="洪湖历史天气查询23 top/huangpi.html" title="黄陂历史天气查询24 top/huanggang.html" title="黄冈历史天气查询25 top/huangmei.html" title="黄梅历史天气查询26 top/huangshi.html" title="黄石历史天气查询27 top/jiayu.html" title="嘉鱼历史天气查询28 top/jianli.html" title="监利历史天气查询29 top/jianshi.html" title="建始历史天气查询30 top/jiangxia.html" title="江夏历史天气查询31 top/jingshan.html" title="京山历史天气查询32 top/jingmen.html" title="荆门历史天气查询33 top/jingzhou.html" title="荆州历史天气查询34 top/laifeng.html" title="来凤历史天气查询35 top/laohekou.html" title="老河口历史天气查询36 top/lichuan.html" title="利川历史天气查询37 top/lvtian.html" title="罗田历史天气查询38 top/macheng.html" title="麻城历史天气查询39 top/nanzhang.html" title="南漳历史天气查询40 top/qichun.html" title="蕲春历史天气查询41 top/qianjiang.html" title="潜江历史天气查询42 top/sanxia.html" title="三峡历史天气查询43 top/shennongjia.html" title="神农架历史天气查询44 top/shiyan.html" title="十堰历史天气查询45 top/shishou.html" title="石首历史天气查询46 top/songzi.html" title="松滋历史天气查询47 top/suizhou.html" title="随州历史天气查询48 top/tianmen.html" title="天门历史天气查询49 top/hbtongcheng.html" title="通城历史天气查询50 top/tongshan.html" title="通山历史天气查询51 top/wufeng.html" title="五峰历史天气查询52 top/wuchang.html" title="武昌历史天气查询53 top/wuhan.html" title="武汉历史天气查询54 top/wuxue.html" title="武穴历史天气查询55 top/hbxishui.html" title="浠水历史天气查询56 top/xiantao.html" title="仙桃历史天气查询57 top/xianfeng.html" title="咸丰历史天气查询58 top/xianning.html" title="咸宁历史天气查询59 top/xiangyang.html" title="襄阳历史天气查询60 top/xiaogan.html" title="孝感历史天气查询61 top/hbxinzhou.html" title="新洲历史天气查询62 top/xingshan.html" title="兴山历史天气查询63 top/xuanen.html" title="宣恩历史天气查询64 top/hbyangxin.html" title="阳新历史天气查询65 top/yiling.html" title="夷陵历史天气查询66 top/yichang.html" title="宜昌历史天气查询67 top/yicheng.html" title="宜城历史天气查询68 top/yidu.html" title="宜都历史天气查询69 top/yingcheng.html" title="应城历史天气查询70 top/hbyingshan.html" title="英山历史天气查询71 top/yuanan.html" title="远安历史天气查询72 top/yunmeng.html" title="云梦历史天气查询73 top/yunxi.html" title="郧西历史天气查询74 top/hbyunxian.html" title="郧县历史天气查询75 top/zaoyang.html" title="枣阳历史天气查询76 top/zhijiang.html" title="枝江历史天气查询77 top/zhongxiang.html" title="钟祥历史天气查询78 top/zhushan.html" title="竹山历史天气查询79 top/zhuxi.html" title="竹溪历史天气查询80 top/zigui.html" title="秭归历史天气查询81 [Finished in 15.4s]

登录后复制

2.2.获取对应城市的所有天气信息：
然后我们需要根据抓取到的城市链接去抓取对应城市的天气情况，这里我们再封装一个函数用于显示对应城市的所有天气状况：

def ShowWeather(city): res =str(city).split('" title="') print res[1],'(白天-->夜间)' html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0])) weather=re.search('

登录后复制(.*?)’, html.text,re.S).group(1) res=re.findall(‘(.*?)’, weather,re.S) for x in res[2:]: w = re.findall(‘>(.*?)

这样以来，我们就可以获取到了对应城市的天气情况了！！

完整代码：

#coding:UTF-8import reimport requestsimport sysreload(sys)sys.setdefaultencoding('UTF-8')def ShowWeather(city): res =str(city).split('" title="') print res[1],'(白天-->夜间)' html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0])) weather=re.search('

登录后复制(.*?)’, html.text,re.S).group(1) res=re.findall(‘(.*?)’, weather,re.S) for x in res[2:]: w = re.findall(‘>(.*?)’, html.text,re.S) for city in citys: ShowWeather(city)def main(): ShowCity()if __name__==’__main__’: main()

是的，你没有看错，短短34行代码就可以爬取湖北省所有的主要城市1个月的所有天气情况，是不是很厉害呀！！？？？不过不要高兴的太早，凡事有利有弊，看看它的运行结果吧：[Finished in 371.8s]

3.知识总结：　　

3.1.编码问题：　
#在ubuntu上，由于编码问题，我们需要在代码的开始位置添加一行注释，告诉Pyhton解释器我们指定的编码格式：

#此外，我们还需要设置默认的编码格式，否则Sublime Text会无法识别中文，报告一个错误：“UnicodeEncodeError: ‘ascii’ codec can’t encode characters in position”

#-*-coding:utf8-*-import sysreload(sys)sys.setdefaultencoding('UTF-8')

登录后复制

3.2.正则表达式：

导入正则表达式库：import re
匹配任意字符：.
匹配前一个字符0次或无限次:*
匹配前一个字符0次或一次：？
贪心算法：.*
非贪心算法：.*?
匹配数字：(d+)
常用函数：

re.findall(pattern, string)re.search(pattern, string)re.sub(pattern, repl, string)

登录后复制

最后的最后，如果你尝试过运行我贴出来的完整代码，或许你会遇到和我一样的瓶颈，就是运行的速度不够快（尤其像我这种机器配置不是很好的电脑）。在我的机器上运行这段脚本总共花费了 371.8s。我运行过多次，每次都是在350+。因此，如果你的程序不在乎运行速度，那么可能Python还是挺适合的，毕竟可以通过它写更少的代码去做更多的事情！！！！