python 爬虫初体验 ———— 一个可运行的爬虫程序

要用到的包可以用pycharm下载： 
File->Default Settings->Default Project->Project Interpreter 
选择python版本并点右边的加号安装想要的包 

爬取http://www.weather.com.cn/weather/101190401.shtml天气情况，代码以及解释如下： 

# coding :UTF-8
import requests   # 用来抓取网页的html源代码
import csv        # 将数据写入到csv文件中
import random     # 取随机数
import time       # 时间相关操作
import socket     # 用于异常处理
import http.client   # 用于异常处理
from bs4 import BeautifulSoup  # 用来代替正则式取源码中相应标签中的内容
# urllib.request：另一种抓取网页的html源代码的方法，但是没requests方便


# 获取网页中的html
def get_content(url):
    header = {  # header是requests.get的一个参数，目的是模拟浏览器访问 header 可以使用chrome的开发者工具获得，具体方法如下： 打开chrome，按F12，选择network
        '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 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)\
                         Chrome/68.0.3440.106 Safari/537.36'
    }
    timeout = random.choice(range(80, 180))
    while True:
        try:
            rep = requests.get(url, headers=header, timeout=timeout)   # 通过requests.get方法获取网页的源代码、
            rep.encoding = 'utf-8'  # 将源代码的编码格式改为utf-8
            break
        except socket.timeout as e:   # 异常处理情况
            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


# 获取html中我们所需要的字段
def get_data(html_text):
    final = []
    bs = BeautifulSoup(html_text, "html.parser")  # 创建BeautifulSoup对象
    body = bs.body  # 获取body部分
    data = body.find('div', {'id': '7d'})  # 找到id为7d的div
    ul = data.find('ul')  # 获取ul部分
    li = ul.find_all('li')   # 获取所有的li

    for day in li:   # 对每个li标签中的内容进行遍历
        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标签
        temp.append(inf[0].string,)    # 第一个p标签中的内容（天气状况）加到temp中
        if inf[1].find('span') is None:
            temperature_highest = None   # 天气预报可能没有当天的最高气温（到了傍晚，就是这样），需要加个判断语句,来输出最低气温
        else:
            temperature_highest = inf[1].find('span').string   # 找到最高温
            temperature_highest = temperature_highest.replace('℃', '')  # 到了晚上网站会变，最高温度后面也有个℃
        temperature_lowest = inf[1].find('i').string    # 找到最低温
        temperature_lowest = temperature_lowest.replace('℃', '')    # 最低温度后面有个℃，去掉这个符号
        temp.append(temperature_highest)   # 将最高温添加到temp中
        temp.append(temperature_lowest)   # 将最低温添加到temp中
        final.append(temp)   # 将temp加到final中
    return final


# 将数据抓取出来后我们要将他们写入文件csv
def 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)


# 主函数
if __name__ == '__main__':
    url = 'http://www.weather.com.cn/weather/101190401.shtml'
    html = get_content(url)
    result = get_data(html)
    write_data(result, 'weather2.csv')

运行结果：

 

总结一下，从网页上抓取内容大致分3步： 
1、模拟浏览器访问，获取html源代码 
2、通过正则匹配，获取指定标签中的内容 
3、将获取到的内容写到文件中

原文链接：https://blog.csdn.net/Bo_wen_/article/details/50868339