Python 基础教程 —— 网络爬虫入门篇

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

前言

Python 是一种解释型、面向对象、动态数据类型的高级程序设计语言，它由 Guido van Rossum 于 1989 年底发明，第一个公开发行版发行于 1991 年。
自面世以后，Python 深受广大开发者的喜迎，在网站开发，网络爬虫，数据分析，机器学习，人工智能等领域都有其过人之处。
在“Python基础教程“中，本人将会从各个不同领域介绍Python的用法，今天就先从最常用的网络爬虫开始说起。
网络爬虫主要目的是通过定期收集网络的信息，把信息保存后进行分析归类，最后通过报表显示给相关的用户作为业务参考。几年我也曾经做过一个项目是对税务局的政府网站进行信息收集，把收集到的税务政策，各行业的税率变动，国家颁布的新行税法进行分析，把分析结果综合到财税管理平台进行财务核算。
为了简化流程，这次就以常用的天气网为例子（http://www.weather.com.cn/），定时收集地区的天气情况，最后把数据作为图表显示。

目录

一、页面下载

二、数据读取

三、数据保存

四、使用 matplotlib 显示数据

五、定时器

一、页面下载

这里用到了 urllib 库里面的 request 类，它有两个常用的方法：

1.  urlretrieve 用于下载网页

参数说明

url：网页地址 url
filename：指定了保存到本地的路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）；
reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。
data：指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers)，filename表示保存到本地的路径，header表示服务器的响应头。

2. urlopen 可以像打开文档一样直接打开远程页面，区别在于 urlopen是只读模式

 参数说明

url ：目标资源在网路中的位置。可以是一个表示URL的字符串，也可以是一个urllib.request对象，详细介绍请跳转

data：data用来指明发往服务器请求中的额外的参数信息（如：在线翻译，在线答题等提交的内容），data默认是None，此时以GET方式发送请求；当用户给出data参数的时候，改为POST方式发送请求。

timeout：设置网站的访问超时时间

cafile、capath、cadefault：用于实现可信任的CA证书的HTTP请求。（基本上很少用）

context参数：实现SSL加密传输。

运行方法后可以看到在文件夹里已经保存了整个静态页面

回到目录

二、数据读取

因为每个html页面的数据均有不同，我们可以观察html代码的特征，通过 re 的功能找到所需要的数据。
这里介绍几个 re 常用的方法

1、re.compile（pattern，flags = 0 ）

将正则表达式模式编译为正则表达式对象，可使用match()，search()以及下面所述的其他方法将其用于匹配

2、re.search（pattern，string，flags = 0 ）

扫描字符串以查找正则表达式模式产生匹配项的第一个位置 ，然后返回相应的match对象。None如果字符串中没有位置与模式匹配，则返回；否则返回false。请注意，这与在字符串中的某个点找到零长度匹配不同。

3、re.match（pattern，string，flags = 0 ）

如果字符串开头的零个或多个字符与正则表达式模式匹配，则返回相应的匹配对象。None如果字符串与模式不匹配，则返回；否则返回false。请注意，这与零长度匹配不同。

4、re.fullmatch（pattern，string，flags = 0 ）

如果整个字符串与正则表达式模式匹配，则返回相应的match对象。None如果字符串与模式不匹配，则返回；否则返回false。请注意，这与零长度匹配不同。

5、re.split（pattern，string，maxsplit = 0，flags = 0 ）

通过出现模式来拆分字符串。如果在pattern中使用了捕获括号，那么模式中所有组的文本也将作为结果列表的一部分返回。如果maxsplit不为零，则最多会发生maxsplit分割，并将字符串的其余部分作为列表的最后一个元素返回。

6、re.findall（pattern，string，flags = 0 ）

以string列表形式返回string中pattern的所有非重叠匹配项。从左到右扫描该字符串，并以找到的顺序返回匹配项。如果该模式中存在一个或多个组，则返回一个组列表；否则，返回一个列表。如果模式包含多个组，则这将是一个元组列表。空匹配项包含在结果中。

7、re.finditer（pattern，string，flags = 0 ）

返回一个迭代器，该迭代器在string类型的RE 模式的所有非重叠匹配中产生匹配对象。 从左到右扫描该字符串，并以找到的顺序返回匹配项。空匹配项包含在结果中。

本例子比较简单，可以看到在地区白天/夜晚的气温都包含在  <p class="tem"><span>30</span><em>°C</em></p>，可以直接通过 re.compile() 找到数据。

然而在不同的页面里，数据可能是通过后台绑定，或者在页面渲染时绑定，这时候就需要细心地找寻数据来源，再通过链接获取。

最后返回 list 数组，其中包含当天的日间气温与夜间气温

回到目录

三、数据保存

把当天日期、日间气温、夜间气温保存到数据库

回到目录

四、使用 matplotlib 显示数据

在数据库积累多天数据后，通过 matplotlib 库显示数据

显示结果

回到目录

五、定时器

使用 Timer 定时器每天执行一次，下载数据，再刷新画面

回到目录

全部源代码

1 from urllib.request import urlretrieve,urlopen
2 from matplotlib import pyplot as plt
3
4 import numpy as np,threading,re,datetime,MySQLdb
5
6 class Weather():
7
8 def __init__(self):
9 #确定下载路径，以日期作为文件名
10 self.path='E:/Python_Projects/Test/weather/'
11 self.filename=str(datetime.date.today()).replace('-','')
12
13 def getPage(self,url):
14 #下载页面并保存
15 file=self.path+self.filename+'.html'
16 urlretrieve(url,file,None,None)
17
18 def readPage(self):
19 #读取页面
20 file=open(self.path+self.filename+'.html','r',1024,'utf8')
21 data=file.readlines()
22 #找出当天白天温度与晚上温度
23 pat=re.compile('<span>[0-9][0-9]</span>')
24 data=re.findall(pat,str(data))
25 file.close()
26 #筛选温度值，返回list
27 list1 = []
28 for weather in data:
29 w1 = weather.replace('<span>', '')
30 w2 = w1.replace('</span>', '')
31 list1.append(w2) # 保存数据
32 return list1
33
34 def save(self,list1):
35 #保存到数据库
36 db = MySQLdb.connect("localhost", "root", "********", "database", charset='utf8')
37 cursor = db.cursor()
38 sql = 'INSERT INTO weather(date,daytime,night) VALUES ('+self.filename+','+list1[0]+','+list1[1]+')'
39 try:
40 cursor.execute(sql)
41 db.commit()
42 except:
43 # 发生错误时回滚
44 db.rollback()
45 # 关闭数据库连接
46 db.close()
47
48 def display():
49 # X轴旋转90度
50 plt.xticks(rotation=90)
51 # 从数据库中获取数据
52 db = MySQLdb.connect("localhost", "root", "********", "database", charset='utf8')
53 cursor = db.cursor()
54 sql = 'SELECT date,daytime,night FROM weather'
55 try:
56 cursor.execute(sql)
57 data=np.array(cursor.fetchall())
58 db.commit()
59 except:
60 # 发生错误时回滚
61 db.rollback()
62 #数据转换成日期数组，白天温度数组，夜间温度数组
63 if len(data)!=0:
64 date=data[:,0]
65 # y轴数据需要转化为int形式，否则将按字符串形式排列
66 daytime=(np.int16(data[:,1]))
67 night=(np.int16(data[:,2]))
68 plt.xlabel('Date')
69 plt.ylabel('Temperature')
70 plt.title('Weather')
71 # 显示数据
72 plt.plot(date,daytime,label='day')
73 plt.plot(date,night,label='night')
74 plt.legend()
75 plt.show()
76
77 def start():
78 weather=Weather()
79 weather.getPage(url)
80 data=weather.readPage()
81 weather.save(data)
82 display()
83 t = threading.Timer(86400, start)
84 t.start()
85
86 url='http://www.weather.com.cn/weather1d/101280101.shtml'
87 if __name__ == '__main__':
88 start()

总结

这个例子只是从最简单的角度介绍爬虫的使用方式，对应实际的应用场景只是冰山一角，在现实中经常还会遇到IP地址被封，数据绑定无法直接获取，数据加密等诸多问题，在后面再作详细介绍。
由于时间紧迫，文章中有所缺漏的地方敬请点评。

对 JAVA 开发有兴趣的朋友欢迎加入QQ群：174850571 共同探讨！
对 .NET  开发有兴趣的朋友欢迎加入QQ群：230564952共同探讨 ！

作者：风尘浪子

https://www.cnblogs.com/leslies2/p/14719516.html

原创作品，转载时请注明作者及出处