从零开始写Python爬虫 --- 2.3 爬虫实践:天气预报&数据存储
上次我们只是了解了scrapy框架的基本运作方式,这次我们来写一个真正意义上一个爬虫,并将他爬取到的数据分别保存到txt、json、已经mysql数据库中。
目标分析:
这次我们要爬的是 中国天气网:http://www.tianqi.com/
随便点开一个城市的天气比如苏州: http://suzhou.tianqi.com/
我们要爬取的就是图中的:江苏苏州天气预报一周:
数据的筛选:
我们使用chrome开发者工具,模拟鼠标定位到相对应位置:
可以看到我们需要的数据,全都包裹在
<div class="tqshow1">
里
我们用bs4、xpath、css之类的选择器定位到这里,再筛选数据就行。
本着学习新知识的原则,文中的代码将会使用xpath定位。
这里我们可以这样:
response.xpath('//div[@class="tqshow1"]')
Scrapy 框架的实施:
创建scrapy项目和爬虫:
scrapy startproject weather
cd weather
scrapy genspider SZtianqi suzhou.tianqi.com
这样我们就已经将准备工作做完了。
看一下当前的目录:
.
├── scrapy.cfg
└── weather
├── __init__.py
├── __pycache__
│ ├── __init__.cpython-36.pyc
│ ├── items.cpython-36.pyc
│ ├── pipelines.cpython-36.pyc
│ └── settings.cpython-36.pyc
├── data #我自己添加保存数据的文件夹,你们还没有,不用在意
│ └── weather.json
├── items.py
├── middlewares.py
├── pipelines.py
├── settings.py
└── spiders
├── SZtianqi.py
├── __init__.py
└── __pycache__
├── SZtianqi.cpython-36.pyc
└── __init__.cpython-36.pyc
编写items.py:
这次我们来先编写items,十分的简单,只需要将希望获取的字段名填写进去:
import scrapy
class WeatherItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
date = scrapy.Field()
week = scrapy.Field()
img = scrapy.Field()
temperature = scrapy.Field()
weather = scrapy.Field()
wind = scrapy.Field()
编写Spider:
和上文介绍的一样,这个部分使我们整个爬虫的核心,
主要目的是:
将Downloader发给我们的Response里筛选数据,并返回给PIPELINE处理
代码里有详细的注释,仔细看一下都是能看明白的,
主要是里面会用到一些对字符串处理的小技巧。
# -*- coding: utf-8 -*-
import scrapy
# 别忘了,将item导入进来,这样数据才能在各个模块之间流转
from weather.items import WeatherItem
class SztianqiSpider(scrapy.Spider):
name = "SZtianqi"
# 我们修改一下host,使得Scrapy可以爬取除了苏州之外的天气
allowed_domains = ["tianqi.com"]
# 建立需要爬取信息的url列表
start_urls = []
# 需要爬的城市名称 可以自行添加
citys = ['nanjing', 'suzhou', 'shanghai']
# 用一个很简答的循环来生成需要爬的链接:
for city in citys:
start_urls.append('http://' + city + '.tianqi.com')
def parse(self, response):
'''
筛选信息的函数:
date = 今日日期
week = 星期几
img = 表示天气的图标
temperature = 当天的温度
weather = 当天的天气
wind = 当天的风向
'''
# 先建立一个列表,用来保存每天的信息
items = []
# 找到包裹着每天天气信息的div
sixday = response.xpath('//div[@class="tqshow1"]')
# 循环筛选出每天的信息:
for day in sixday:
# 先申请一个weatheritem 的类型来保存结果
item = WeatherItem()
# 观察网页,知道h3标签下的不单单是一行str,我们用trick的方式将它连接起来
date = ''
for datetitle in day.xpath('./h3//text()').extract():
date += datetitle
item['date'] = date
item['week'] = day.xpath('./p//text()').extract()[0]
item['img'] = day.xpath(
'./ul/li[@class="tqpng"]/img/@src').extract()[0]
tq = day.xpath('./ul/li[2]//text()').extract()
# 我们用第二种取巧的方式,将tq里找到的str连接
item['temperature'] = ''.join(tq)
item['weather'] = day.xpath('./ul/li[3]/text()').extract()[0]
item['wind'] = day.xpath('./ul/li[4]/text()').extract()[0]
items.append(item)
return items
编写PIPELINE:
我们知道,pipelines.py是用来处理收尾爬虫抓到的数据的,
一般情况下,我们会将数据存到本地:
- 文本形式: 最基本的方式
- json格式 :方便其他程序员调用
- 数据库: 数据量多时
我们来一一讲解:
TXT(文本)格式:
import os
import requests
import json
import codecs
import pymysql
class WeatherPipeline(object):
def process_item(self, item, spider):
'''
处理每一个从SZtianqi传过来的
item
'''
# 获取当前工作目录
base_dir = os.getcwd()
# 文件存在data目录下的weather.txt文件内
fiename = base_dir + '/data/weather.txt'
# 从内存以追加的方式打开文件,并写入对应的数据
with open(fiename, 'a') as f:
f.write(item['date'] + '\n')
f.write(item['week'] + '\n')
f.write(item['temperature'] + '\n')
f.write(item['weather'] + '\n')
f.write(item['wind'] + '\n\n')
# 下载图片
with open(base_dir + '/data/' + item['date'] + '.png', 'wb') as f:
f.write(requests.get(item['img']).content)
return item
json格式数据:
我们想要输出json格式的数据,最方便的是在PIPELINE里自定义一个class:
class W2json(object):
def process_item(self, item, spider):
'''
讲爬取的信息保存到json
方便其他程序员调用
'''
base_dir = os.getcwd()
filename = base_dir + '/data/weather.json'
# 打开json文件,向里面以dumps的方式吸入数据
# 注意需要有一个参数ensure_ascii=False ,不然数据会直接为utf编码的方式存入比如:“/xe15”
with codecs.open(filename, 'a') as f:
line = json.dumps(dict(item), ensure_ascii=False) + '\n'
f.write(line)
return item
数据库格式(mysql):
Python对市面上各种各样的数据库的操作都有良好的支持,
但是现在一般比较常用的免费数据库是mysql,我们就以这个为例。
详细有很多同学和我一样对数据库一脸懵逼,但是实际上并没有那么难,只要掌握了基本语法,其实他就是一个高级的“文本文件”。
想要学习相关知识:http://www.runoob.com/mysql/mysql-tutorial.html
- 在本地安装mysql:
linux和mac都有很强大的包管理软件,如apt,brew等等
window 可以直接去官网下载安装包。
brew install mysql
在安装的过程中,他会要求你填写root用户的密码,
这里的root并不是系统层面上的超级用户,是mysql数据库的超级用户。
安装完成后mysql服务是默认启动的,
如果重启了电脑,需要这样启动(mac):
mysql.server start
- 登录mysql并创建scrapy用的数据库:
# 登录进mysql
mysql -uroot -p(括号不用写,里面填写自己的passwd)
# 创建数据库:scrapyDB ,以utf8位编码格式,每条语句以’;‘结尾
CREATE DATABASE scrapyDB CHARACTER SET 'utf8';
# 选中刚才创建的表:
use scrapyDB;
# 创建我们需要的字段:字段要和我们代码里一一对应,方便我们一会写sql语句
CREATE TABLE weather(
id INT AUTO_INCREMENT,
date char(24),
week char(24),
img char(128),
temperature char(24),
weather char(24),
wind char(24),
PRIMARY KEY(id) )ENGINE=InnoDB DEFAULT CHARSET='utf8'
来看一下weather表长啥样:
show columns from weather
或者:desc weather
- 安装Python的mysql模块:
Python下有很多操作mysql的模块,这里我推荐pymysql
官方文档:Welcome to PyMySQL’s documentation!
pip install pymysql
最后我们编辑与一下代码:
class W2mysql(object):
def process_item(self, item, spider):
'''
将爬取的信息保存到mysql
'''
# 将item里的数据拿出来
date = item['date']
week = item['week']
temperature = item['temperature']
weather = item['weather']
wind = item['wind']
img = item['img']
# 和本地的scrapyDB数据库建立连接
connection = pymysql.connect(
host='localhost', # 连接的是本地数据库
user='root', # 自己的mysql用户名
passwd='********', # 自己的密码
db='scrapyDB', # 数据库的名字
charset='utf8mb4', # 默认的编码方式:
cursorclass=pymysql.cursors.DictCursor)
try:
with connection.cursor() as cursor:
# 创建更新值的sql语句
sql = """INSERT INTO WEATHER(date,week,temperature,weather,wind,img)
VALUES (%s, %s,%s,%s,%s,%s)"""
# 执行sql语句
# excute 的第二个参数可以将sql缺省语句补全,一般以元组的格式
cursor.execute(
sql, (date, week, temperature, weather, wind, img))
# 提交本次插入的记录
connection.commit()
finally:
# 关闭连接
connection.close()
return item
编写Settings.py
我们需要在Settings.py将我们写好的PIPELINE添加进去,
scrapy才能够跑起来
这里只需要增加一个dict格式的ITEM_PIPELINES,
数字value可以自定义,数字越小的优先处理
BOT_NAME = 'weather'
SPIDER_MODULES = ['weather.spiders']
NEWSPIDER_MODULE = 'weather.spiders'
ITEM_PIPELINES = {'weather.pipelines.W2mysql': 300,
'weather.pipelines.WeatherPipeline': 500,
'weather.pipelines.W2json': 400}
ROBOTSTXT_OBEY = True
让项目跑起来:
scrapy crawl Sutianqi
结果展示:
文本格式:
json格式:
数据库格式:
好了 这次的例子就到这里了,主要介绍了如何通过自定义PIPELINE来将爬取的数据以不同的方式保存。还是那句话,代码要自己一点一点慢慢敲,一点一点慢慢debug才能有进步
加油~ 完整的代码也被上传到Github了。
每天的学习记录都会 同步更新到:
微信公众号: findyourownway
知乎专栏:从零开始写Python爬虫 - 知乎专栏
blog : www.ehcoblog.ml
Github: Ehco1996/Python-crawler