实操 | 从0到1教你用Python来爬取整站天气网
Scrapy
Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。
一、安装scrapy
安装Twisted
-
Twisted:为 Python 提供的基于事件驱动的网络引擎包。
-
在下面网址安装Twisted
url:https://www.lfd.uci.edu/~gohlke/pythonlibs/
安装scrapy
-
cmd输入
pip install scrapy
-
安装完毕,cmd里输入scrapy出现安装成功。
二、了解scrapy
Scrapy的组件
-
引擎,用来处理整个系统的数据流处理,触发事务。
-
调度器,用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回。
-
下载器,用于下载网页内容,并将网页内容返回给蜘蛛。
-
蜘蛛,蜘蛛是主要干活的,用它来制订特定域名或网页的解析规则。
-
项目管道,负责处理有蜘蛛从网页中抽取的项目,主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
-
下载器中间件,位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
-
蜘蛛中间件,介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。
-
调度中间件,介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
其处理流程为:
-
引擎打开一个域名时,蜘蛛处理这个域名,并让蜘蛛获取第一个爬取的URL。
-
引擎从蜘蛛那获取第一个需要爬取的URL,然后作为请求在调度中进行调度。
-
引擎从调度那获取接下来进行爬取的页面。
-
调度将下一个爬取的URL返回给引擎,引擎将他们通过下载中间件发送到下载器。
-
当网页被下载器下载完成以后,响应内容通过下载中间件被发送到引擎。
-
引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。
-
蜘蛛处理响应并返回爬取到的项目,然后给引擎发送新的请求。
-
引擎将抓取到的项目项目管道,并向调度发送请求。
-
系统重复第二部后面的操作,直到调度中没有请求。
三、项目分析
爬取天气网城市的信息
url : https://www.aqistudy.cn/historydata/
爬取主要的信息: 热门城市每一天的空气质量信息
点击月份还有爬取每天的空气质量信息
四、新建项目
-
新建文件夹命令为天气网爬虫
-
cd到根目录,打开cmd,运行
scrapy startproject weather_spider
-
创建spider
cd到根目录,运行 scrapy genspider weather www.aqistudy.cn/historydata
这里的weather是spider的名字
-
创建的路径如下:
五、代码编写
对于scrapy,第一步,必须编写item.py,明确爬取的对象
-
item.py
import scrapy
class WeatherSpiderItem (scrapy.Item) :
# define the fields for your item here like:
# name = scrapy.Field()
“””日期 AQI 质量等级 PM2.5 PM10 SO2 CO NO2 O3_8h”””
city = scrapy.Field()
date = scrapy.Field()
aqi = scrapy.Field()
level = scrapy.Field()
pm25 = scrapy.Field()
pm10 = scrapy.Field()
so2 = scrapy.Field()
co = scrapy.Field()
no2 = scrapy.Field()
o3_8h = scrapy.Field()
对于爬取必须伪装好UA,在setting.py中定义 MY_USER_AGENT
来存放UA,注意在settings中命名必须大写
-
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, like Gecko, 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)” ,
“Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, 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/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 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 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1” ,
“Mozilla/5.0 (Windows NT 6.1; WOW64) 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” ,
]
在定义好UA后,在middlewares.py中创建 RandomUserAgentMiddleware
类
-
middlewares.py
import random
class RandomUserAgentMiddleware (object) :
def __init__ (self, user_agents) :
self.user_agents = user_agents
@classmethod
def from_crawler (cls, crawler) :
# 从settings.py中导入MY_USER_AGENT
s = cls(user_agents=crawler.settings.get( ‘MY_USER_AGENT’ ))
return s
def process_request (self, request, spider) :
agent = random.choice(self.user_agents)
request.headers[ ‘User-Agent’ ] = agent
return
None
注意要在settings.py中激活,必须是900,来去掉scrapy本身的UA
-
setting.py
DOWNLOADER_MIDDLEWARES = {
‘weather_spider.middlewares.RandomUserAgentMiddleware’ : 900 ,
}
开始编写最重要的spider.py,推荐使用scrapy.shell来一步一步调试
-
先拿到所有的城市
在scrapy中xpath方法和lxml中的xpath语法一样
我们可以看出url中缺少前面的部分,follow方法可以自动拼接url,通过meta方法来传递需要保存的city名字,通过callback方法来调度将下一个爬取的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,可以自动拼接url
yield
response.follow(url=city_url, meta={
‘city’
: city_name}, callback=self.parse_month)
这时就是定义parse_month函数,首先分析月份的详情页,拿到月份的url
还是在scrapy.shell 中一步一步调试
通过follow方法拼接url,meta来传递city_name要保存的城市名字,selenium:True先不管
然后通过callback方法来调度将下一个爬取的URL,即就是天的爬取详细页
-
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 ]))
# 由于爬取的信息太大了,所有先爬取前5个
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)
现在将日的详细页的信息通过xpah来取出
发现竟然为空
同时发现了源代码没有该信息
说明了是通过js生成的数据,scrapy只能爬静态的信息,所以引出的scrapy对接selenium的知识点,所以上面meta传递的参数就是告诉scrapy使用selenium来爬取。
复写 WeatherSpiderDownloaderMiddleware
下载中间件中的process_request函数方法
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’ ):
# 为了让浏览器能够无界面的工作
chrome_options = Options()
# 设置chrome浏览器无界面模式
chrome_options.add_argument( ‘–headless’ )
driver = webdriver.Chrome(chrome_options=chrome_options)
# 用浏览器去访问这个地址
driver.get(request.url)
time.sleep( 1.5 ) # 因为浏览器需要加载渲染
html = driver.page_source
driver.quit()
return scrapy.http.HtmlResponse(url=request.url, body=html, encoding= ‘utf-8’ , request=request)
return
None
激活WeatherSpiderDownloaderMiddleware
DOWNLOADER_MIDDLEWARES = {
‘weather_spider.middlewares.WeatherSpiderDownloaderMiddleware’ : 543 ,
‘weather_spider.middlewares.RandomUserAgentMiddleware’ : 900 ,
}
最后编写weather.py中的剩下代码
from ..items import WeatherSpiderItem
def parse_day_data (self, response) :
“””
解析每天的数据
:param response:
:return:
node_list = response.xpath( ‘//tr’ )
# 去掉表头
node_list.pop( 0 )
print(response.body)
print( ‘开始爬取……’ )
print(node_list)
for node in node_list:
item = WeatherSpiderItem
item[ ‘city’ ] = response.meta[ ‘city’ ]
item[ ‘date’ ] = node.xpath( ‘./td[1]/text()’ ).extract_first()
item[ ‘aqi’ ] = node.xpath( ‘./td[2]/text()’ ).extract_first()
item[ ‘level’ ] = node.xpath( ‘./td[3]//text()’ ).extract_first()
item[ ‘pm25’ ] = node.xpath( ‘./td[4]/text()’ ).extract_first()
item[ ‘pm10’ ] = node.xpath( ‘./td[5]/text()’ ).extract_first()
item[ ‘so2’ ] = node.xpath( ‘./td[6]/text()’ ).extract_first()
item[ ‘co’ ] = node.xpath( ‘./td[7]/text()’ ).extract_first()
item[ ‘no2’ ] = node.xpath( ‘./td[8]/text()’ ).extract_first()
item[ ‘o3_8h’ ] = node.xpath( ‘./td[9]/text()’ ).extract_first()
yield
item
六、运行项目
一定要注意项目的根目录执行命令,可以通过 scrapy list
查看是否存在项目
scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,命令如下:
默认json
-
scrapy crawl weather -o spider.json
json lines格式,默认为Unicode编码
-
scrapy crawl weather -o spider..jl
csv 逗号表达式,可用Excel打开
-
scrapy crawl weather -o spider..csv
xml格式
-
scrapy crawl weather -o spider..xml
但是保存的编码不对,必须在settings中加入 FEED_EXPORT_ENCODING = 'utf-8'
七、入库操作
这里入的库是Mongodb,在settings.py中配置
MONGO_URI= ‘192.168.96.128’ #虚拟机ip
MONGO_DB=
‘weather’
#表名
对于入门主要处理的是pipelines中
-
pipelines.py
import pymongo
class MongoPipeline (object) :
def __init__ (self,mongo_uri,mongo_db) :
self.mongo_uri=mongo_uri
self.mongo_db=mongo_db
@classmethod
def from_crawler (cls, crawler) :
return cls(
mongo_uri=crawler.settings.get( ‘MONGO_URI’ ),
mongo_db=crawler.settings.get( ‘MONGO_DB’ )
)
def open_spider (self, spider) : # 当爬虫开启时连接MongoDB数据库
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def process_item (self, item, spider) :
name = item.__class__.__name__
self.db[name].insert(dict(item)) # 保存数据
return item
def close_spider (self, spider) : # 当爬虫关闭时关闭数据库连接
self.client.close()
-
在settings中激活pipelines
ITEM_PIPELINES = {
‘weather_spider.pipelines.MongoPipeline’ : 300 ,
}
效果如下
八、结语
我们本次通过爬取天气网站的来作为学习 Scrapy 的,这里展示的关于 Scrapy 大部分的知识点。如果改写列表,就可以爬取北京所有的天气信息,当然还可以爬取全部城市的天气信息,即这个天气网的全部内容基本都爬取。
源码获取请点击「 阅读原文 」或后台回复Scrapy进行获取。
往期阅读
END
跟大家分享一个我关注了很久的公众号「兔保哥」
一位可爱的妈妈,曾经的财经媒体人,主业写保险。
她会告诉你支付宝上有哪些保险可以捡便宜;相互宝为什么不能替代保险;给孩子买保险,一千块就能解决;买什么样的保险等于白白扔钱。
所有你觉得复杂枯燥的保险内容,在她这儿都会变得通俗易懂又有趣。
你还能看到同龄人的故事分享,看看他们是如何从“保险就是骗钱”转变成“真正的保险从来都是花小钱办大事”的。
人生多舛,如果你也想找到自己的那份心安,可以关注她。