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。

END

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。