Python帶你輕松進行網頁爬蟲

前不久DotNet開源大本營通過為.NET程序員演示如何在.NET下使用C#+HtmlAgilityPack+XPath進行網頁數據的抓取，從而為我們展示了HtmlAgilitypack利器的優點和使用技巧，不熟悉的朋友可以去他的園子里看看這篇文章，真的很不錯！我本身也是一名.NET程序員，只是個人興趣和一些實際需求，所以就打算自學Python。在還沒有學它的時候就聽說用它來進行網頁爬蟲和自然語言處理非常方便，所以也就嘗試了，結果讓我真的很滿意！這篇博文就當是對我這一階段的學習總結吧！
1.准備工作：
工欲善其事必先利其器，因此我們有必要在進行Coding前先配置一個適合我們自己的開發環境，我搭建的開發環境是：
操作系統：Ubuntu 14.04 LTS
Python版本：2.7.6
代碼編輯器：Sublime Text 3.0


這次的網絡爬蟲需求背景我打算延續DotNet開源大本營在他的那篇文章中的需求，這里就不再詳解。我們只抓取某一省中所有主要城市從2015-11-22到2015-10-24的白天到夜間的所有天氣情況。這里以湖北省為例。
2.實戰網頁爬蟲：
2.1.獲取城市列表：
首先，我們需要獲取到湖北省所有城市的網頁，然后進行網頁解析。網絡地址為：http://www.tianqihoubao.com/weather/province.aspx?id=420000
我們查看該網頁的源碼可以發現所有的城市列表都是以<td style="height: 22px" align="center"><a href="城市天氣鏈接+城市名稱">，因此，我們可以封裝一個函數來通過使用正則表達式獲取我們想要的數據，示例代碼如下所示：

def  ShowCity():
    html=requests.get("http://www.tianqihoubao.com/weather/province.aspx?id=420000")
    citys= re.findall('<td style="height: 22px" align="center"><a href="(.*?)">', html.text,re.S)
    for city in citys:
        print city

抓取的結果如下所示：

top/anlu.html" title="安陸歷史天氣查詢
top/badong.html" title="巴東歷史天氣查詢
top/baokang.html" title="保康歷史天氣查詢
top/caidian.html" title="蔡甸歷史天氣查詢
top/changyang.html" title="長陽歷史天氣查詢
top/chibi.html" title="赤壁歷史天氣查詢
top/chongyang.html" title="崇陽歷史天氣查詢
top/dawu.html" title="大悟歷史天氣查詢
top/daye.html" title="大冶歷史天氣查詢
top/danjiangkou.html" title="丹江口歷史天氣查詢
top/dangyang.html" title="當陽歷史天氣查詢
top/ezhou.html" title="鄂州歷史天氣查詢
top/enshi.html" title="恩施歷史天氣查詢
top/fangxian.html" title="房縣歷史天氣查詢
top/gongan.html" title="公安歷史天氣查詢
top/gucheng.html" title="谷城歷史天氣查詢
top/guangshui.html" title="廣水歷史天氣查詢
top/hanchuan.html" title="漢川歷史天氣查詢
top/hanyang.html" title="漢陽歷史天氣查詢
top/hefeng.html" title="鶴峰歷史天氣查詢
top/hongan.html" title="紅安歷史天氣查詢
top/honghu.html" title="洪湖歷史天氣查詢
top/huangpi.html" title="黃陂歷史天氣查詢
top/huanggang.html" title="黃岡歷史天氣查詢
top/huangmei.html" title="黃梅歷史天氣查詢
top/huangshi.html" title="黃石歷史天氣查詢
top/jiayu.html" title="嘉魚歷史天氣查詢
top/jianli.html" title="監利歷史天氣查詢
top/jianshi.html" title="建始歷史天氣查詢
top/jiangxia.html" title="江夏歷史天氣查詢
top/jingshan.html" title="京山歷史天氣查詢
top/jingmen.html" title="荊門歷史天氣查詢
top/jingzhou.html" title="荊州歷史天氣查詢
top/laifeng.html" title="來鳳歷史天氣查詢
top/laohekou.html" title="老河口歷史天氣查詢
top/lichuan.html" title="利川歷史天氣查詢
top/lvtian.html" title="羅田歷史天氣查詢
top/macheng.html" title="麻城歷史天氣查詢
top/nanzhang.html" title="南漳歷史天氣查詢
top/qichun.html" title="蘄春歷史天氣查詢
top/qianjiang.html" title="潛江歷史天氣查詢
top/sanxia.html" title="三峽歷史天氣查詢
top/shennongjia.html" title="神農架歷史天氣查詢
top/shiyan.html" title="十堰歷史天氣查詢
top/shishou.html" title="石首歷史天氣查詢
top/songzi.html" title="松滋歷史天氣查詢
top/suizhou.html" title="隨州歷史天氣查詢
top/tianmen.html" title="天門歷史天氣查詢
top/hbtongcheng.html" title="通城歷史天氣查詢
top/tongshan.html" title="通山歷史天氣查詢
top/wufeng.html" title="五峰歷史天氣查詢
top/wuchang.html" title="武昌歷史天氣查詢
top/wuhan.html" title="武漢歷史天氣查詢
top/wuxue.html" title="武穴歷史天氣查詢
top/hbxishui.html" title="浠水歷史天氣查詢
top/xiantao.html" title="仙桃歷史天氣查詢
top/xianfeng.html" title="咸豐歷史天氣查詢
top/xianning.html" title="咸寧歷史天氣查詢
top/xiangyang.html" title="襄陽歷史天氣查詢
top/xiaogan.html" title="孝感歷史天氣查詢
top/hbxinzhou.html" title="新洲歷史天氣查詢
top/xingshan.html" title="興山歷史天氣查詢
top/xuanen.html" title="宣恩歷史天氣查詢
top/hbyangxin.html" title="陽新歷史天氣查詢
top/yiling.html" title="夷陵歷史天氣查詢
top/yichang.html" title="宜昌歷史天氣查詢
top/yicheng.html" title="宜城歷史天氣查詢
top/yidu.html" title="宜都歷史天氣查詢
top/yingcheng.html" title="應城歷史天氣查詢
top/hbyingshan.html" title="英山歷史天氣查詢
top/yuanan.html" title="遠安歷史天氣查詢
top/yunmeng.html" title="雲夢歷史天氣查詢
top/yunxi.html" title="鄖西歷史天氣查詢
top/hbyunxian.html" title="鄖縣歷史天氣查詢
top/zaoyang.html" title="棗陽歷史天氣查詢
top/zhijiang.html" title="枝江歷史天氣查詢
top/zhongxiang.html" title="鍾祥歷史天氣查詢
top/zhushan.html" title="竹山歷史天氣查詢
top/zhuxi.html" title="竹溪歷史天氣查詢
top/zigui.html" title="秭歸歷史天氣查詢
[Finished in 15.4s]

2.2.獲取對應城市的所有天氣信息：
然后我們需要根據抓取到的城市鏈接去抓取對應城市的天氣情況，這里我們再封裝一個函數用於顯示對應城市的所有天氣狀況：

def ShowWeather(city):
    res =str(city).split('" title="')
    print res[1],'(白天-->夜間)'
    html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0]))
    weather=re.search('<table width="100%" border="0" class="b" cellpadding="1" cellspacing="1">(.*?)</table>', html.text,re.S).group(1)
    res=re.findall('<tr>(.*?)</tr>', weather,re.S)
    for x in res[2:]:
        w = re.findall('>(.*?)<', x,re.S)
        for y in w[1:]:
            if len(y.strip())<=0:
                pass
             else:
                 print y
        print '--'*40

這樣以來，我們就可以獲取到了對應城市的天氣情況了！！

完整代碼：

#coding:UTF-8
import re
import requests
import sys
reload(sys)
sys.setdefaultencoding('UTF-8')

def ShowWeather(city):
    res =str(city).split('" title="')
    print res[1],'(白天-->夜間)'
    html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0]))
    weather=re.search('<table width="100%" border="0" class="b" cellpadding="1" cellspacing="1">(.*?)</table>', html.text,re.S).group(1)
    res=re.findall('<tr>(.*?)</tr>', weather,re.S)
    for x in res[2:]:
        w = re.findall('>(.*?)<', x,re.S)
        for y in w[1:]:
            if len(y.strip())<=0:
                pass
            else:
                print y
        print '--'*40
    print  '\n','*'*40

def  ShowCity():
    html=requests.get("http://www.tianqihoubao.com/weather/province.aspx?id=420000")
    citys= re.findall('<td style="height: 22px" align="center"><a href="(.*?)">', html.text,re.S)
    for city in citys:
        ShowWeather(city)

def  main():
    ShowCity()

if __name__=='__main__':
    main()

是的，你沒有看錯，短短34行代碼就可以爬取湖北省所有的主要城市1個月的所有天氣情況，是不是很厲害呀！！？？？不過不要高興的太早，凡事有利有弊，看看它的運行結果吧：[Finished in 371.8s]
3.知識總結：　　
3.1.編碼問題：　

#在ubuntu上，由於編碼問題，我們需要在代碼的開始位置添加一行注釋，告訴Pyhton解釋器我們指定的編碼格式：

#此外，我們還需要設置默認的編碼格式，否則Sublime Text會無法識別中文，報告一個錯誤：“UnicodeEncodeError: 'ascii' codec can't encode characters in position”

#-*-coding:utf8-*-
import sys
reload(sys)
sys.setdefaultencoding('UTF-8')

3.2.正則表達式：
導入正則表達式庫：import re
匹配任意字符：.
匹配前一個字符0次或無限次:*
匹配前一個字符0次或一次：？
貪心算法：.*
非貪心算法：.*?
匹配數字：(\d+)
常用函數：

re.findall(pattern, string)
re.search(pattern, string)
re.sub(pattern, repl, string)

最后的最后，如果你嘗試過運行我貼出來的完整代碼，或許你會遇到和我一樣的瓶頸，就是運行的速度不夠快（尤其像我這種機器配置不是很好的電腦）。在我的機器上運行這段腳本總共花費了 371.8s。我運行過多次，每次都是在350+。因此，如果你的程序不在乎運行速度，那么可能Python還是挺適合的，畢竟可以通過它寫更少的代碼去做更多的事情！！！！