简单网站爬虫的所有技能
写在前面
刚开始看爬虫文章的时候，走了不少弯路，我希望我的文章能给你带来一些启发
文章结尾有思考题，如果独立完成了，证明你掌握了简单网站爬虫的所有技能
本文涉及到的技能
- 查看网页源代码和检查元素
- requests使用
- BeautifulSoup使用
这三招就是爬取简单网站的全部招数，跟着思路往下看
查看网页源代码和检查元素
不要觉得很简单，这两招是爬虫的基础。如果你熟悉这两招，简单网站的爬虫，你就学会了一半。
一般来说，检查元素中看到的内容都会在网页源代码中出现。今天我选取的这个例子，情况特殊，检查元素中看到的内容部分会在网页源代码中出现。
爬北京的白天和夜间温度
北京天气的网址：http://www.weather.com.cn/weather1d/101010100.shtml
下面是源代码，我会有注释的，跟着一起读一读
Talk is cheap. Show you the code
# -*- coding: utf-8 -*-
__author__ = 'duohappy'
import requests # 导入requests模块
from bs4 import BeautifulSoup # 从bs4包中导入BeautifulSoup模块
# 设置请求头
# 更换一下爬虫的User-Agent，这是最常规的爬虫设置
headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'}
# 需要爬取的网址
url = "http://www.weather.com.cn/weather1d/101010100.shtml"
# 发送请求，获取的一个Response对象
web_data = requests.get(url, headers=headers)
# 设置web_data.text会采用web_data.encoding指定的编码，一般情况下不需要设置，requests会自动推断
# 鉴于网页大部分都是采取utf-8编码的，所以设置一下，省去一些麻烦
web_data.encoding = 'utf-8'
# 得到网页源代码
content = web_data.text
# 使用lxml解析器来创建Soup对象
soup = BeautifulSoup(content, 'lxml')
# 为什么要创建一个Soup对象，还记得浏览器中的检查元素功能嘛
# Soup对象可以方便和浏览器中检查元素看到的内容建立联系，下面会有动画演示
# 使用css selector语法，获取白天和夜间温度，下面有动画演示
tag_list = soup.select('p.tem span')
# tag_list[0]是一个bs4.element.Tag对象
# tag_list[0].text获得这个标签里的文本
day_temp = tag_list[0].text
night_temp = tag_list[1].text
print('白天温度为{0}℃\n晚上温度为{1}℃'.format(day_temp, night_temp))
- "Soup对象可以方便和浏览器中检查元素看到的内容建立联系"是什么意思？
简单点解释就是检查元素看到的样子和Soup对象中元素的样子差不多（这只是简单的理解）
- css seletor语法
值得提出的是当搜索'p.tem em'时，刚好有2个匹配的对象，分别对应白天温度和夜间温度，这一点非常重要，如果匹配个数大于或者小于2，那么说明你的css selector写错了
爬多个城市的白天和夜间温度
搜索不同的城市天气，观察网址的变化。
观察网址的变化是爬虫中最重要的本领之一
# -*- coding: utf-8 -*-
__author__ = 'duohappy'
import requests
from bs4 import BeautifulSoup
headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'}
# 建立城市和网址特殊部分的对应关系
weather_code = {'北京':'101010100','上海':'101020100','深圳':'101280601', '广州':'101280101', '杭州':'101210101'}
city = input('请输入城市名：') # 仅仅能输入北京，上海，广州，深圳，杭州
url = "http://www.weather.com.cn/weather1d/{}.shtml".format(weather_code[city])
web_data = requests.get(url, headers=headers)
web_data.encoding = 'utf-8'
content = web_data.text
soup = BeautifulSoup(content, 'lxml')
tag_list = soup.select('p.tem span')
day_temp = tag_list[0].text
night_temp = tag_list[1].text
print('白天温度为{0}℃\n晚上温度为{1}℃'.format(day_temp, night_temp))
思考题
如果做完了，需要有人给你看看代码，可以给我发邮件，：）
-
如何爬取今日实时温度？
了解检查元素和查看网页源代码的差异 -
如何爬取7日天气？
仔细看看网页源代码里有哪些意外的信息
有了requests+bs4两大利器，简单网站的爬虫你就学的差不多了
写在后面
如果有任何的建议或者批评，请不吝赐教，欢迎交流，：）
写出生活
