本文實例為大家分享了python爬取哈爾濱天氣信息的具體代碼，供大家參考，具體內容如下
環境：
windows7
python3.4（pip install requests；pip install BeautifulSoup4）
代碼： （親測可以正確執行）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
|
# coding:utf-8"""總結一下，從網頁上抓取內容大致分3步：1、模擬瀏覽器訪問，獲取html源代碼2、通過正則匹配，獲取指定標簽中的內容3、將獲取到的內容寫到文件中"""import requests # 用來抓取網頁的html源代碼import csv # 將數據寫入到csv文件中import random # 取隨機數import time # 時間相關操作import socket # 用于異常處理import http.client # 用于異常處理from bs4 import BeautifulSoup # 用來代替正則式取源碼中相應標簽中的內容# 獲取網頁中的html代碼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是設定的一個超時時間，取隨機數是因為防止被網站認定為網絡爬蟲 while True: try: rep = requests.get(url, headers=header, timeout=timeout) rep.encoding = 'utf-8' # rep.encoding = ‘utf-8'是將源代碼的編碼格式改為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# 獲取html中我們所需要的字段def get_data(html_text): final = [] bs = BeautifulSoup(html_text, "html.parser") # 創建BeautifulSoup對象 body = bs.body # 獲取body部分 data = body.find('div', {'id': '7d'}) # 找到id為7d的div ul = data.find('ul') # 獲取ul部分 li = ul.find_all('li') # 獲取所有的li for day in li: # 對每個li標簽中的內容進行遍歷 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標簽 temp.append(inf[0].string, ) # 第一個p標簽中的內容（天氣狀況）加到temp中 if inf[1].find('span') is None: temperature_highest = None # 天氣預報可能沒有當天的最高氣溫（到了傍晚，就是這樣），需要加個判斷語句,來輸出最低氣溫 else: temperature_highest = inf[1].find('span').string # 找到最高溫 temperature_highest = temperature_highest.replace('℃', '') # 到了晚上網站會變，最高溫度后面也有個℃ temperature_lowest = inf[1].find('i').string # 找到最低溫 temperature_lowest = temperature_lowest.replace('℃', '') # 最低溫度后面有個℃，去掉這個符號 temp.append(temperature_highest) # 將最高溫添加到temp中 temp.append(temperature_lowest) # 將最低溫添加到temp中 final.append(temp) # 將temp加到final中 return final# 寫入文件csvdef 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') |
講解：
python標準庫-----內置函數open(file,mode='r',buffering=-1,encoding=None,errors=None,newline=None...)
函數作用：打開一個文件并返回文件對象。如果文件不能打開，拋出異常OSError。
file：是一個字符串的文件名稱，或者是一個數組表示的文件名稱。文件名稱可以是相對當前目錄的路徑，也可以是絕對路徑表示。
mode：是指打開文件的模式。
1）‘r'表示打開文件只讀，不能寫。
2）‘w'表示打開文件只寫，并且清空文件。
3）‘x'表示獨占打開文件，如果文件已經存打開就會失敗。
4）‘a'表示打開文件寫，不清空文件，在文件后尾追加的方式寫入。
5）‘b'表示二進制的模式打開文件。
6）‘t'表示文本模式，默認情況下就是這種模式。
7）‘+'打開文件更新（讀取或寫入）。
8）缺省時的模式就相當于'rt'。比如'w+b'就是打開文件進入讀寫，把文件清空；'r+b'打開文件，但不把文件 清空。
參數buffering是一個可選的參數，用來表示緩沖區的策略選擇。設置為0時，表示不使用緩沖區，直接讀寫，僅在二進制模式下有效。設置為1時，表示在文本模式下使用行緩沖區方式。設置為大于1時，表示緩沖區的設置大小。如果參數buffering沒有給出，使用默認時，會采用下面策略來選擇：
1）對于二進制文件模式時，采用固定塊內存緩沖區方式，內存塊的大小根據系統設備的分配的磁盤塊來決定，如果獲取系統磁盤塊的大小失敗，就使用內部常量io.DEFAULT_BUFFER_SIZE定義的大小。一般的操作系統上，塊的大小是4096或者8192字節大小。
2）對于交互的文本文件（采用isatty()判斷為True）時，采用一行緩沖區的方式。其它文本文件使用跟二進制一樣的方式。
參數encoding是指明對文件編碼，僅適用于文本文件。如果不明編碼方式，默認是使用locale.getpreferredencoding()函數返回的編碼方式。
參數errors是用來指明編碼和解碼錯誤時怎么樣處理。不能在二進制的模式下使用。
1）當指明為'strict'時，編碼出錯則拋出異常ValueError。
2）當指明為'ignore'時，忽略錯誤。
3）當指明為'replace'時，使用某字符進行替代模式，比如使用'?'來替換出錯的。
4）其它相應還有surrogateescape/xmlcharrefreplacs/backslashreplace。
參數newline是用來控制文本模式之下，一行的結束字符。可以是None，''，\n，\r，\r\n等。
1）當在讀取模式下，如果新行符為None，那么就作為通用換行符模式工作，意思就是說當遇到\n，\r或\r\n都可以作為換行標識，并且統一轉換為\n作為文本輸入的換行符。當設置為空''時，也是通用換行符模式工作，但不作轉換為\n，輸入什么樣的，就保持原樣全輸入。當設置為其它相應字符時，就會判斷到相應的字符作為換行符，并保持原樣輸入到文本。
2）當在輸出模式時，如果新行符為None，那么所有輸出文本都是采用\n作為換行符。如果設置為''或者\n時，不作任何的替換動作。如果是其它字符，會在字符后面添加\n作為換行符。
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。
原文鏈接：https://www.cnblogs.com/sunshine-blog/p/9292875.html
