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(jìn)行網(wǎng)頁數(shù)據(jù)的抓取，從而為我們展示了HtmlAgilitypack利器的優(yōu)點(diǎn)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(cuò)！我本身也是一名.NET程序員，只是個(gè)人興趣和一些實(shí)際需求，所以就打算自學(xué)Python。在還沒有學(xué)它的時(shí)候就聽說用它來進(jìn)行網(wǎng)頁爬蟲和自然語言處理非常方便，所以也就嘗試了，結(jié)果讓我真的很滿意！這篇博文就當(dāng)是對我這一階段的學(xué)習(xí)總結(jié)吧！
1.準(zhǔn)備工作：
工欲善其事必先利其器，因此我們有必要在進(jìn)行Coding前先配置一個(gè)適合我們自己的開發(fā)環(huán)境，我搭建的開發(fā)環(huán)境是：
操作系統(tǒng)：Ubuntu 14.04 LTS
Python版本：2.7.6
代碼編輯器：Sublime Text 3.0


這次的網(wǎng)絡(luò)爬蟲需求背景我打算延續(xù)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(shí)戰(zhàn)網(wǎng)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(wǎng)頁，然后進(jìn)行網(wǎng)頁解析。網(wǎng)絡(luò)地址為：http://www.tianqihoubao.com/weather/province.aspx?id=420000
我們查看該網(wǎng)頁的源碼可以發(fā)現(xiàn)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(gè)函數(shù)來通過使用正則表達(dá)式獲取我們想要的數(shù)據(jù)，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(jié)果如下所示： 1 top/anlu.html" title="安陸歷史天氣查詢 2 top/badong.html" title="巴東歷史天氣查詢 3 top/baokang.html" title="保康歷史天氣查詢 4 top/caidian.html" title="蔡甸歷史天氣查詢 5 top/changyang.html" title="長陽歷史天氣查詢 6 top/chibi.html" title="赤壁歷史天氣查詢 7 top/chongyang.html" title="崇陽歷史天氣查詢 8 top/dawu.html" title="大悟歷史天氣查詢 9 top/daye.html" title="大冶歷史天氣查詢 10 top/danjiangkou.html" title="丹江口歷史天氣查詢 11 top/dangyang.html" title="當(dāng)陽歷史天氣查詢 12 top/ezhou.html" title="鄂州歷史天氣查詢 13 top/enshi.html" title="恩施歷史天氣查詢 14 top/fangxian.html" title="房縣歷史天氣查詢 15 top/gongan.html" title="公安歷史天氣查詢 16 top/gucheng.html" title="谷城歷史天氣查詢 17 top/guangshui.html" title="廣水歷史天氣查詢 18 top/hanchuan.html" title="漢川歷史天氣查詢 19 top/hanyang.html" title="漢陽歷史天氣查詢 20 top/hefeng.html" title="鶴峰歷史天氣查詢 21 top/hongan.html" title="紅安歷史天氣查詢 22 top/honghu.html" title="洪湖歷史天氣查詢 23 top/huangpi.html" title="黃陂歷史天氣查詢 24 top/huanggang.html" title="黃岡歷史天氣查詢 25 top/huangmei.html" title="黃梅歷史天氣查詢 26 top/huangshi.html" title="黃石歷史天氣查詢 27 top/jiayu.html" title="嘉魚歷史天氣查詢 28 top/jianli.html" title="監(jiān)利歷史天氣查詢 29 top/jianshi.html" title="建始?xì)v史天氣查詢 30 top/jiangxia.html" title="江夏歷史天氣查詢 31 top/jingshan.html" title="京山歷史天氣查詢 32 top/jingmen.html" title="荊門歷史天氣查詢 33 top/jingzhou.html" title="荊州歷史天氣查詢 34 top/laifeng.html" title="來鳳歷史天氣查詢 35 top/laohekou.html" title="老河口歷史天氣查詢 36 top/lichuan.html" title="利川歷史天氣查詢 37 top/lvtian.html" title="羅田歷史天氣查詢 38 top/macheng.html" title="麻城歷史天氣查詢 39 top/nanzhang.html" title="南漳歷史天氣查詢 40 top/qichun.html" title="蘄春歷史天氣查詢 41 top/qianjiang.html" title="潛江歷史天氣查詢 42 top/sanxia.html" title="三峽歷史天氣查詢 43 top/shennongjia.html" title="神農(nóng)架歷史天氣查詢 44 top/shiyan.html" title="十堰歷史天氣查詢 45 top/shishou.html" title="石首歷史天氣查詢 46 top/songzi.html" title="松滋歷史天氣查詢 47 top/suizhou.html" title="隨州歷史天氣查詢 48 top/tianmen.html" title="天門歷史天氣查詢 49 top/hbtongcheng.html" title="通城歷史天氣查詢 50 top/tongshan.html" title="通山歷史天氣查詢 51 top/wufeng.html" title="五峰歷史天氣查詢 52 top/wuchang.html" title="武昌歷史天氣查詢 53 top/wuhan.html" title="武漢歷史天氣查詢 54 top/wuxue.html" title="武穴歷史天氣查詢 55 top/hbxishui.html" title="浠水歷史天氣查詢 56 top/xiantao.html" title="仙桃歷史天氣查詢 57 top/xianfeng.html" title="咸豐歷史天氣查詢 58 top/xianning.html" title="咸寧歷史天氣查詢 59 top/xiangyang.html" title="襄陽歷史天氣查詢 60 top/xiaogan.html" title="孝感歷史天氣查詢 61 top/hbxinzhou.html" title="新洲歷史天氣查詢 62 top/xingshan.html" title="興山歷史天氣查詢 63 top/xuanen.html" title="宣恩歷史天氣查詢 64 top/hbyangxin.html" title="陽新歷史天氣查詢 65 top/yiling.html" title="夷陵歷史天氣查詢 66 top/yichang.html" title="宜昌歷史天氣查詢 67 top/yicheng.html" title="宜城歷史天氣查詢 68 top/yidu.html" title="宜都?xì)v史天氣查詢 69 top/yingcheng.html" title="應(yīng)城歷史天氣查詢 70 top/hbyingshan.html" title="英山歷史天氣查詢 71 top/yuanan.html" title="遠(yuǎn)安歷史天氣查詢 72 top/yunmeng.html" title="云夢歷史天氣查詢 73 top/yunxi.html" title="鄖西歷史天氣查詢 74 top/hbyunxian.html" title="鄖縣歷史天氣查詢 75 top/zaoyang.html" title="棗陽歷史天氣查詢 76 top/zhijiang.html" title="枝江歷史天氣查詢 77 top/zhongxiang.html" title="鐘祥歷史天氣查詢 78 top/zhushan.html" title="竹山歷史天氣查詢 79 top/zhuxi.html" title="竹溪?dú)v史天氣查詢 80 top/zigui.html" title="秭歸歷史天氣查詢 81 [Finished in 15.4s] View Code 2.2.獲取對應(yīng)城市的所有天氣信息：
然后我們需要根據(jù)抓取到的城市鏈接去抓取對應(yīng)城市的天氣情況，這里我們再封裝一個(gè)函數(shù)用于顯示對應(yīng)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:passelse:print yprint '--'*40

這樣以來，我們就可以獲取到了對應(yīng)城市的天氣情況了！！

完整代碼：

1 #coding:UTF-8 2 import re 3 import requests 4 import sys 5 reload(sys) 6 sys.setdefaultencoding('UTF-8') 7 8 def ShowWeather(city): 9 res =str(city).split('" title="') 10 print res[1],'(白天-->夜間)' 11 html=requests.get("http://www.tianqihoubao.com/weather/{0}".format(res[0])) 12 weather=re.search('<table width="100%" border="0" class="b" cellpadding="1" cellspacing="1">(.*?)</table>', html.text,re.S).group(1) 13 res=re.findall('<tr>(.*?)</tr>', weather,re.S) 14 for x in res[2:]: 15 w = re.findall('>(.*?)<', x,re.S) 16 for y in w[1:]: 17 if len(y.strip())<=0: 18 pass 19 else: 20 print y 21 print '--'*40 22 print '\n','*'*40 23 24 def ShowCity(): 25 html=requests.get("http://www.tianqihoubao.com/weather/province.aspx?id=420000") 26 citys= re.findall('<td style="height: 22px" align="center"><a href="(.*?)">', html.text,re.S) 27 for city in citys: 28 ShowWeather(city) 29 30 def main(): 31 ShowCity() 32 33 if __name__=='__main__': 34 main() 是的，你沒有看錯(cuò)，短短34行代碼就可以爬取湖北省所有的主要城市1個(gè)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(yùn)行結(jié)果吧：[Finished in 371.8s]
3.知識(shí)總結(jié)：　　
3.1.編碼問題：　 #在ubuntu上，由于編碼問題，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(shè)置默認(rèn)的編碼格式，否則Sublime Text會(huì)無法識(shí)別中文，報(bào)告一個(gè)錯(cuò)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(dá)式：
導(dǎo)入正則表達(dá)式庫：import re
匹配任意字符：.
匹配前一個(gè)字符0次或無限次:*
匹配前一個(gè)字符0次或一次：？
貪心算法：.*
非貪心算法：.*?
匹配數(shù)字：(\d+)
常用函數(shù)： 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(yùn)行我貼出來的完整代碼，或許你會(huì)遇到和我一樣的瓶頸，就是運(yùn)行的速度不夠快（尤其像我這種機(jī)器配置不是很好的電腦）。在我的機(jī)器上運(yùn)行這段腳本總共花費(fèi)了?371.8s。我運(yùn)行過多次，每次都是在350+。因此，如果你的程序不在乎運(yùn)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！！！！

轉(zhuǎn)載于:https://www.cnblogs.com/hippieZhou/p/4967075.html

與50位技術(shù)專家面對面20年技術(shù)見證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的Python带你轻松进行网页爬虫的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。