简单网站爬虫的所有技能 - DannyWu博客

摘要

2017年5月22日12:21:43：几乎所有的长文章，都转移到了 zhouww.com，请大家到新网址阅读

文章未经允许，不可转载

2017年4月1日16:05:34：更新，感谢V友cheese 的提醒，错别字已经更正
2017年4月5日16:21:50：添加为知笔记外链，考虑在为知笔记上写作，简书的markdown功能太弱！
2017年4月10日11:31:56：添加文章Python爬虫前的教程目录，为了方便基础较弱的同学找找资料

第二篇：爬虫中的正则表达式（re）

这是一个系列：Python爬虫文章大纲
这是一个大坑，欢迎志同道合的朋友投稿，一起填坑！我们一起奔跑，不懈怠，不浮躁。

龟兔赛跑

如果爬取后想可视化数据，看看这篇文章
Python爬虫后的可视化教程目录

写在前面

刚开始看爬虫文章的时候，走了不少弯路，我希望我的文章能给你带来一些启发
文章结尾有思考题，如果独立完成了，证明你掌握了简单网站爬虫的所有技能

本文涉及到的技能

查看网页源代码和检查元素
requests使用
BeautifulSoup使用

这三招就是爬取简单网站的全部招数，跟着思路往下看

查看网页源代码和检查元素

不要觉得很简单，这两招是爬虫的基础。如果你熟悉这两招，简单网站的爬虫，你就学会了一半。
一般来说，检查元素中看到的内容都会在网页源代码中出现。今天我选取的这个例子，情况特殊，检查元素中看到的内容部分会在网页源代码中出现。

你已经会这两招了，接着往下看

爬北京的白天和夜间温度

北京天气的网址：http://www.weather.com.cn/weather1d/101010100.shtml
下面是源代码，我会有注释的，跟着一起读一读
Talk is cheap. Show you the code

# -*- coding: utf-8 -*- __author__ = 'duohappy'  import requests  # 导入requests模块 from bs4 import BeautifulSoup  # 从bs4包中导入BeautifulSoup模块  # 设置请求头 # 更换一下爬虫的User-Agent，这是最常规的爬虫设置 headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'}    # 需要爬取的网址 url = "http://www.weather.com.cn/weather1d/101010100.shtml"  # 发送请求，获取的一个Response对象 web_data = requests.get(url, headers=headers)  # 设置web_data.text会采用web_data.encoding指定的编码，一般情况下不需要设置，requests会自动推断 # 鉴于网页大部分都是采取utf-8编码的，所以设置一下，省去一些麻烦 web_data.encoding = 'utf-8' # 得到网页源代码 content = web_data.text  # 使用lxml解析器来创建Soup对象 soup = BeautifulSoup(content, 'lxml')  # 为什么要创建一个Soup对象，还记得浏览器中的检查元素功能嘛 # Soup对象可以方便和浏览器中检查元素看到的内容建立联系，下面会有动画演示 # 使用css selector语法，获取白天和夜间温度，下面有动画演示 tag_list = soup.select('p.tem span')  # tag_list[0]是一个bs4.element.Tag对象 # tag_list[0].text获得这个标签里的文本 day_temp = tag_list[0].text night_temp = tag_list[1].text  print('白天温度为{0}℃/n晚上温度为{1}℃'.format(day_temp, night_temp))

"Soup对象可以方便和浏览器中检查元素看到的内容建立联系"是什么意思？

简单点解释就是检查元素看到的样子和Soup对象中元素的样子差不多（这只是简单的理解）

css seletor语法

值得提出的是当搜索'p.tem em'时，刚好有2个匹配的对象，分别对应白天温度和夜间温度，这一点非常重要，如果匹配个数大于或者小于2，那么说明你的css selector写错了

爬多个城市的白天和夜间温度

搜索不同的城市天气，观察网址的变化。
观察网址的变化是爬虫中最重要的本领之一

# -*- coding: utf-8 -*- __author__ = 'duohappy'  import requests from bs4 import BeautifulSoup  headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'}  # 建立城市和网址特殊部分的对应关系 weather_code = {'北京':'101010100','上海':'101020100','深圳':'101280601', '广州':'101280101', '杭州':'101210101'}  city = input('请输入城市名：')  # 仅仅能输入北京，上海，广州，深圳，杭州  url = "http://www.weather.com.cn/weather1d/{}.shtml".format(weather_code[city])  web_data = requests.get(url, headers=headers) web_data.encoding = 'utf-8'  content = web_data.text  soup = BeautifulSoup(content, 'lxml')  tag_list = soup.select('p.tem span')  day_temp = tag_list[0].text night_temp = tag_list[1].text  print('白天温度为{0}℃/n晚上温度为{1}℃'.format(day_temp, night_temp))