python爬虫实例100例,python爬虫入门教程(非常详细)

我最近学了两天python，自己写了网络爬虫的例子。

python : 3.5版

IDE : pycharm 5.0.4

使用的软件包可以在pycharm上下载。

文件默认设置-默认项目项目解释器

选择python版本，然后单击右侧的加号以安装所需的软件包

我选择的网站是中国天气网苏州天气，打算抓住最近7天的天气和最高/最低气温

33558 www.weather.com.cn/weather/101190401.shtml

在程序的开头添加。

# coding : UTF-8现在，您可以告诉解释器此py程序已用utf-8编码，并且源程序可以包含中文。

要引用的软件包：

importrequestsimportcsvimportrandomimporttimeimportsocketimporthttp.client # import urllib.requestfrombs4importbeautifulsoulsous

CSV :向CSV文件写入数据

随机：取随机数

time :时间相关操作

socket和http.client在此仅用于异常处理

BeautifulSoup :用于获取源代码中相应标记的内容，而不是正则表达式

ullib.request :这是另一种捕获网页html源代码的方法，但不如requests有用。 (我第一个用的是这个)

获取网页中的html代码：

efget_content(URL，data=None ) : header={ ' accept ' : ' text/html，application/xhtml xml，aplication q q=0.8 '，' Accept-Encoding': 'gzip，deflate，sdch '，' Accept-Language': 'zh-CN，zh； q=0.8 '，' Connection': 'keep-alive '，' user-agent ' : ' Mozilla/5.0 (windows nt 6.3； WOW64 ) appleWebKit/537.36(khtml，like Gecko ) chrome/43.0.235 ' } time out=random.choice (range ) 80，180 ) whh headers=header，timeout=timeout ) rep.encoding='utf-8' data，header (# response=urllib.request.urlopen ) timeout=timeout ) # html1=response.read ).decode ) ' errors='ignore ' ) # response.close () break # except urllib e ) tttperrrorase 10 ) ) # except urllib.request.urlerrorase : # print (' 2: '， e ) #time.sleep(Random.choice ) range ) )5 10 ) ) exceptsocket.time out ase : print (' 3: '，e ) time.sleret 15 ) ) ) exceptsoice e ) time.sleep (random.choice (range (20，60 ) ) except http.client.badstatuslinease 330

print( '6:', e) time.sleep(random.choice(range(5, 15))) return rep.text # return html_text

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

重新访问该网站,找到第一个网络请求，查看它的header

timeout是设定的一个超时时间，取随机数是因为防止被网站认定为网络爬虫。
然后通过requests.get方法获取网页的源代码、
rep.encoding = ‘utf-8’是将源代码的编码格式改为utf-8（不该源代码中中文部分会为乱码）
下面是一些异常处理
返回 rep.text

获取html中我们所需要的字段：
这里我们主要要用到BeautifulSoup
BeautifulSoup 文档http://www.crummy.com/software/BeautifulSoup/bs4/doc/

首先还是用开发者工具查看网页源码，并找到所需字段的相应位置
找到我们需要字段都在 id = “7d”的“div”的ul中。日期在每个li中h1 中，天气状况在每个li的第一个p标签内，最高温度和最低温度在每个li的span和i标签中。
感谢Joey_Ko指出的错误：到了傍晚，当天气温会没有最高温度，所以要多加一个判断。
代码如下：

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

写入文件csv：
将数据抓取出来后我们要将他们写入文件，具体代码如下：

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, 'weather.csv')

然后运行一下：
生成的weather.csv文件如下：

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

刚学python爬虫，可能有些理解有错误的地方，请大家批评指正，谢谢！