本文研究的主要是Python爬蟲天氣預(yù)報(bào)的相關(guān)內(nèi)容，具體介紹如下。

這次要爬的站點(diǎn)是這個：http://www.weather.com.cn/forecast/

要求是把你所在城市過去一年的歷史數(shù)據(jù)爬出來。

分析網(wǎng)站

首先來到目標(biāo)數(shù)據(jù)的網(wǎng)頁 http://www.weather.com.cn/weather40d/101280701.shtml

我們可以看到，我們需要的天氣數(shù)據(jù)都是放在圖表上的，在切換月份的時候，發(fā)現(xiàn)只有部分頁面刷新了，就是天氣數(shù)據(jù)的那塊，而URL沒有變化。

這是因?yàn)榫W(wǎng)頁前端使用了JS異步加載的技術(shù)，更新時不用加載整個頁面，從而提升了網(wǎng)頁的加載速度。

對于這種非靜態(tài)頁面，我們在請求數(shù)據(jù)時，就不能簡單的通過替換URL來請求不同的頁面。

著眼點(diǎn)要放在Network，觀察整個請求的過程，從中尋找突破口。

老規(guī)矩按下F12 > network，切換下頁面，發(fā)現(xiàn)多了一些東西，這就是切換月份，瀏覽器發(fā)出的請求，可以很清楚的看到請求頭和請求參數(shù)。

再來看看Response是怎樣的吧

真是沒想到，返回的居然是json格式的天氣數(shù)據(jù)！直接做 json 反序化就能變成字典的形式，省掉了我們解析 html 的麻煩呀。既然找到了數(shù)據(jù)所在的地方，就可以開始嘗試構(gòu)建請求了。

構(gòu)建請求

先直接copy上面的Request URL，試下請求。http://d1.weather.com.cn/calendar_new/2017/101280701_201706.html?_=1495720234075
然后發(fā)現(xiàn)報(bào)錯了，先把請求頭全部滿上懟進(jìn)去，發(fā)現(xiàn)可以正常的響應(yīng)。
但是我們還要分析下到底哪個參數(shù)不對出了問題。經(jīng)過嘗試，發(fā)現(xiàn)請求頭里的Referer的原因，去掉就會報(bào)錯。

這是因?yàn)檫@是瀏覽器發(fā)出請求時，會通過Referer告訴服務(wù)器我是從哪個頁面鏈接過來的，有些網(wǎng)站會對這個做驗(yàn)證，主要時為了防止別人盜鏈的問題。

這個中國天氣網(wǎng)，就是驗(yàn)證了Referer里的域名是不是自己的，不是的話就會403禁止訪問服務(wù)器。

接下來就要考慮怎么請求不同月份的數(shù)據(jù)。

通過觀察URL，發(fā)現(xiàn)其實(shí)很簡單，直接替換年月，就可以循環(huán)抓取，得到整年的數(shù)據(jù)。

那中間的101280701是什么意思呢，經(jīng)過請求不同的城市對比URL，我發(fā)現(xiàn)這是表示地理位置的一個數(shù)據(jù)。

前3位表示國家中國，后6位依次表示，省份，城市和區(qū)縣。修改這里，就能實(shí)現(xiàn)對不同城市進(jìn)行查詢了。

最后一個參數(shù)1495720234075，開始以為是隨機(jī)數(shù)，后來有朋友提醒這是unix時間戳，實(shí)際上就算去掉這個，也能正常訪問數(shù)據(jù)，沒什么影響。

解析數(shù)據(jù)

拿到數(shù)據(jù)以后，就可以開始解析了。不過這里根本用不上xpath，直接用Json.load()，就能反序列化成json對象，從中取出字典，節(jié)省很多麻煩。需要注意的是，返回的40天的天氣數(shù)據(jù) fc40 字符串是這樣

var fc40 = [{"blue":"","c1":"","c2":"","cla":"history","date":"20151227","des":"歷史均值","fe":"","hgl":"17%","hmax":"17","hmin":"13","hol":"","jq":""
.....]}

前面的字符串需要去掉，才能反序列化，注意這里的json對象實(shí)際是個存儲字典的list[]。開始想用正則，不過不熟沒弄好。后來發(fā)現(xiàn) python 字符串也能使用這樣的語法 [a:b] 來取出位置a到位置b的字符串，所以就直接用[11 : ], 就能取出fc40 后面的字符串，也很方便。

保存數(shù)據(jù)

因?yàn)閿?shù)據(jù)量比較大，就采用mongodb來做數(shù)據(jù)持久化。mongodb 我也是才學(xué)習(xí)，參考了別人的教程，才做好了環(huán)境配置，過程打算總結(jié)到另一篇，這里就打算不多說了。

因?yàn)樵镜姆帕颂鞖鈹?shù)據(jù)的字典里面有太多沒用的數(shù)據(jù)，我只想提取出我想要的部分，就用了一個小技巧。

將想要的數(shù)據(jù)的key，保存成subkey這個字典，用 for in取出subkey中的key，再回到原本的dict中取出對應(yīng)的值，最后將這些鍵值對，都存儲在一個subdict字典里，就完成了提取出子字典的功能。說起來很麻煩，但是代碼卻很簡單，這可能就是python的魅力吧。

subkey = {'date', 'hmax', 'hmin', 'hgl', 'fe', 'wk', 'time'}
subdict = {key: dict[key] for key in subkey}

然后我還做了個用中文替換的原來key的功能，只需要稍作修改，for in 取出來的是鍵值對，然后用中文的value，替換英文的key，就ok了。

 subkey = {'date': '日期', 'hmax': '最高溫度', 'hmin': '最低溫度', 'hgl':
 '降水概率', 'fe': '節(jié)日', 'wk': '星期'}
 subdict = {value: dict[key] for key, value in subkey.items()}

最后的結(jié)果如下圖，這是用pycharm上的mongodb可視化插件Mongo Plugin看到的,在pycharm>settings>plugins里面可以搜索安裝。需要注意的是，默認(rèn)只顯示300條數(shù)據(jù)。想要看到更多，就在Row limit 上輸入總數(shù)就行。

Python的代碼非常短才30多行，就完成了爬蟲的整個流程， 請求，解析，保存，一氣呵成，可謂是爬蟲界的豪杰。

# encoding=utf-8
import requests
import json
import pymongo
import time

def request(year, month):
  url = "http://d1.weather.com.cn/calendar_new/" + year + "/101280701_" + year + month + ".html?_=1495685758174"
  headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36",
    "Referer": "http://www.weather.com.cn/weather40d/101280701.shtml",
  }
  return requests.get(url, headers=headers)

def parse(res):
  json_str = res.content.decode(encoding='utf-8')[11:]
  return json.loads(json_str)

def save(list):
  subkey = {'date': '日期', 'hmax': '最高溫度', 'hmin': '最低溫度', 'hgl': '降水概率', 'fe': '節(jié)日', 'wk': '星期', 'time': '發(fā)布時間'}
  for dict in list:
    subdict = {value: dict[key] for key, value in subkey.items()}  #提取原字典中部分鍵值對，并替換key為中文
    forecast.insert_one(subdict)                  #插入mongodb數(shù)據(jù)庫

if __name__ == '__main__':
  year = "2016"
  month = 1
  client = pymongo.MongoClient('localhost', 27017)  # 連接mongodb,端口27017
  test = client['test']               # 創(chuàng)建數(shù)據(jù)庫文件test
  forecast = test['forecast']            # 創(chuàng)建表forecast
  for i in range(month, 13):
    month = str(i) if i > 9 else "0" + str(i)   #小于10的月份要補(bǔ)0
    save(parse(request(year, month)))       

time.sleep(1)

總結(jié)

以上就是本文關(guān)于Python爬蟲天氣預(yù)報(bào)實(shí)例詳解（小白入門）的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

最新評論