本篇文章我们以抓取历史天气数据为例，简单说明数据抓取的两种方式：
1、一般简单或者较小量的数据需求，我们以requests(selenum)+beautiful的方式抓取数据
2、当我们需要的数据量较多时，建议采用scrapy框架进行数据采集，scrapy框架采用异步方式发起请求，数据抓取效率极高。
下面我们以http://www.tianqihoubao.com/lishi/网站数据抓取为例进行进行两种数据抓取得介绍：
1、以request+bs的方式采集天气数据，并以mysql存储数据
思路：
我们要采集的天气数据都在地址 http://www.tianqihoubao.com/lishi/beijing/month/.html 中存储，观察url可以发现，url中只有两部分在变化，即城市名称和你年月，而且每年都固定包含12个月份，可以使用 months = list(range(1, 13))构造月份，将城市名称和年份作为变量即可构造出需要采集数据的url列表，遍历列表，请求url，解析response，即可获取数据。
以上是我们采集天气数据的思路，首先我们需要构造url链接。
def get_url(cityname,start_year,end_year):
years = list(range(start_year, end_year))
months = list(range(1, 13))
suburl = 'http://www.tianqihoubao.com/lishi/'
urllist = []
for year in years:
for month in months:
if month < 10:
url = suburl + cityname + '/month/'+ str(year) + (str(0) + str(month)) + '.html'
else:
url = suburl + cityname + '/month/' + str(year) + str(month) + '.html'
urllist.append(url.strip())
return urllist
通过以上函数，可以得到需要抓取的url列表。
可以看到，我们在上面使用了cityname，而cityname就是我们需要抓取的城市的城市名称，需要我们手工构造，假设我们已经构造了城市名称的列表，存储在mysql数据库中，我们需要查询数据库获取城市名称，遍历它，将城市名称和开始年份，结束年份，给上面的函数。
def get_cityid(db_conn,db_cur,url):
suburl = url.split('/')
sql = 'select cityid from city where cityname = %s '
db_cur.execute(sql,suburl[4])
cityid = db_cur.fetchone()
idlist = list(cityid)
return idlist[0]
有了城市代码，开始和结束年份，生成了url列表，接下来当然就是请求地址，解析返回的html代码了，此处我们以bs解析网页源代码，代码如下：
def parse_html_bs(db_conn,db_cur,url):
proxy = get_proxy()
proxies = {
'http': 'http://' + proxy,
'https': 'https://' + proxy,
}
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
'Connection': 'close'
} # 获取天气数据的html网页源代码
weather_data = requests.get(url=url, headers=headers,proxies = proxies).text
weather_data_new =(weather_data.replace('\n','').replace('\r','').replace(' ',''))
soup = BeautifulSoup(weather_data_new,'lxml')
table = soup.find_all(['td'])
# 获取城市id
cityid = get_cityid(db_conn, db_cur, url)
listall = []
for t in list(table):
ts = t.string
listall.append(ts)
n= 4
sublist = [listall[i:i+n] for i in range(0,len(listall),n)]
sublist.remove(sublist[0])
flist = []
# 将列表元素中的最高和最低气温拆分，方便后续数据分析，并插入城市代码
for sub in sublist:
if sub == sublist[0]:
pass
sub2 = sub[2].split('/')
sub.remove(sub[2])
sub.insert(2, sub2[0])
sub.insert(3, sub2[1])
sub.insert(0, cityid) # 插入城市代码
flist.append(sub)
return flist
最后我们在主函数中遍历上面的列表，并将解析出来的结果存储到mysql数据库。
if __name__ == '__main__':
citylist = get_cityname(db_conn,db_cur)
for city in citylist:
urllist = get_url(city,2016,2019)
for url in urllist:
time.sleep(1)
flist = parse_html_bs(db_conn, db_cur, url)
for li in flist:
tool.dyn_insert_sql('weather',tuple(li),db_conn,db_cur)
time.sleep(1)
以上我们便完成了以requests+bs方式抓取历史天气数据，并以mysql存储的程序代码，完成代码见：https://gitee.com/liangxinbin/Scrpay/blob/master/weatherData.py
2、用scrapy框架采集天气数据，并以mongo存储数据
1）定义我们需要抓取的数据结构，修改框架中的items.py文件
class WeatherItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
cityname = Field() #城市名称
data = Field() #日期
tq = Field() #天气
maxtemp=Field() #最高温度
mintemp=Field() #最低温度
fengli=Field() #风力
2）修改下载器中间件，随机获取user-agent，ip地址
class RandomUserAgentMiddleware():
def __init__(self,UA):
self.user_agents = UA @classmethod
def from_crawler(cls, crawler):
return cls(UA = crawler.settings.get('MY_USER_AGENT')) #MY_USER_AGENT在settings文件中配置，通过类方法获取 def process_request(self,request,spider):
request.headers['User-Agent'] = random.choice(self.user_agents) #随机获取USER_AGENT def process_response(self,request, response, spider):
return response class ProxyMiddleware():
def __init__(self):
ipproxy = requests.get('http://localhost:5000/random/') #此地址为从代理池中随机获取可用代理
self.random_ip = 'http://' + ipproxy.text def process_request(self,request,spider):
print(self.random_ip)
request.meta['proxy'] = self.random_ip def process_response(self,request, response, spider):
return response
3）修改pipeline文件，处理返回的item，处理蜘蛛文件返回的item
import pymongo
class MongoPipeline(object):
def __init__(self,mongo_url,mongo_db,collection):
self.mongo_url = mongo_url
self.mongo_db = mongo_db
self.collection = collection
@classmethod
def from_crawler(cls,crawler):
return cls(
mongo_url=crawler.settings.get('MONGO_URL'), #MONGO_URL,MONGO_DB,COLLECTION在settings文件中配置，通过类方法获取数据
mongo_db = crawler.settings.get('MONGO_DB'),
collection = crawler.settings.get('COLLECTION')
)
def open_spider(self,spider):
self.client = pymongo.MongoClient(self.mongo_url)
self.db = self.client[self.mongo_db]
def process_item(self,item, spider):
# name = item.__class__.collection
name = self.collection
self.db[name].insert(dict(item)) #将数据插入到mongodb数据库。
return item
def close_spider(self,spider):
self.client.close()
4）最后也是最重要的，编写蜘蛛文件解析数据，先上代码，在解释
# -*- coding: utf-8 -*-
import scrapy
from bs4 import BeautifulSoup
from scrapy import Request
from lxml import etree
from scrapymodel.items import WeatherItem class WeatherSpider(scrapy.Spider):
name = 'weather' #蜘蛛的名称，在整个项目中必须唯一
# allowed_domains = ['tianqihoubao']
start_urls = ['http://www.tianqihoubao.com/lishi/'] #起始链接，用这个链接作为开始，爬取数据，它的返回数据默认返回给parse来解析。 #解析http://www.tianqihoubao.com/lishi/网页,提取连接形式http://www.tianqihoubao.com/lishi/beijing.html
def parse(self, response):
soup = BeautifulSoup(response.text, 'lxml')
citylists = soup.find_all(name='div', class_='citychk')
for citys in citylists:
for city in citys.find_all(name='dd'):
url = 'http://www.tianqihoubao.com' + city.a['href']
yield Request(url=url,callback = self.parse_citylist) #返回Request对象，作为新的url由框架进行调度请求，返回的response有回调函数parse_citylist进行解析 #解析http://www.tianqihoubao.com/lishi/beijing.html网页，提取链接形式为http://www.tianqihoubao.com/lishi/tianjin/month/201811.html
def parse_citylist(self,response):
soup = BeautifulSoup(response.text, 'lxml')
monthlist = soup.find_all(name='div', class_='wdetail')
for months in monthlist:
for month in months.find_all(name='li'):
if month.text.endswith("季度:"):
continue
else:
url = month.a['href']
url = 'http://www.tianqihoubao.com' + url
yield Request(url= url,callback = self.parse_weather) #返回Request对象，作为新的url由框架进行调度请求，返回的response由parse_weather进行解析 # 以xpath解析网页数据;
def parse_weather(self,response): #解析网页数据，返回数据给pipeline处理
# 获取城市名称
url = response.url
cityname = url.split('/')[4] weather_html = etree.HTML(response.text)
table = weather_html.xpath('//table//tr//td//text()')
# 获取所有日期相关的数据，存储在列表中
listall = []
for t in table:
if t.strip() == '':
continue
# 替换元素中的空格和\r\n
t1 = t.replace(' ', '')
t2 = t1.replace('\r\n', '')
listall.append(t2.strip())
# 对提取到的列表数据进行拆分，将一个月的天气数据拆分成每天的天气情况，方便数据插入数据库
n = 4
sublist = [listall[i:i + n] for i in range(0, len(listall), n)]
# 删除表头第一行
sublist.remove(sublist[0])
# 将列表元素中的最高和最低气温拆分，方便后续数据分析，并插入城市代码 for sub in sublist:
if sub == sublist[0]:
pass
sub2 = sub[2].split('/')
sub.remove(sub[2])
sub.insert(2, sub2[0])
sub.insert(3, sub2[1])
sub.insert(0, cityname) Weather = WeatherItem() #使用items中定义的数据结构 Weather['cityname'] = sub[0]
Weather['data'] = sub[1]
Weather['tq'] = sub[2]
Weather['maxtemp'] = sub[3]
Weather['mintemp'] = sub[4]
Weather['fengli'] = sub[5]
yield Weather
运行项目，即可获取数据，至此，我们完成了天气数据的抓取项目。
项目完整代码：
https://gitee.com/liangxinbin/Scrpay/tree/master/scrapymodel