python使用scrapy框架爬取一周天气预报

这两天找了一本书讲的python实战，有实战项目，看到了scrapy框架部分的天气预报，决定把自己所学分享出来。
废话不多说，下面开始。

参考资料《Python网络爬虫实战 第2版》
资源链接：https://pan.baidu.com/s/1khiN7c87VTiaoybMOd3Bgg
提取码：chjf

建议使用pycharm
官网链接：http://www.jetbrains.com/pycharm/

scrapy框架的安装

首先是准备工作，我用的Windows系统，所以就只讲Windows系统了，很简单win+R，键入“cmd”打开控制台，安装scrapy，前提是得有python啊，这个肯定都有的吧。cmd里输入下面命令

pip install scrapy 

我已经安装过了，没安装的话应该是有好多个进度条的。
第二种方法就是使用pycharm安装，操作如下
1.打开“文件（Flie）”中的“设置（Settings）”

2.点“Project Interpreter”右上角的加号，添加第三方库

之后点击下面的install package等一会就安装好了。

项目的创建

scrapy startproject weather_demo01

创建的项目如下图所示：

项目中各个文件介绍

书上差不多把所有的文件都介绍了，其实主要用的就几个，我就着重说主要用到的几个了：

settings.py

这个文件主要是说最后是由谁处理爬取的数据的，比如我们定义一个文件a功能是处理爬取的数据，但是运行发现数据没按照自己想要的格式保存下来，就是因为最后settings这个文件里没指明让a来处理。
部分代码如下

# -*- coding: utf-8 -*-

# Scrapy settings for weather_demo01 project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'weather_demo01'

SPIDER_MODULES = ['weather_demo01.spiders']
NEWSPIDER_MODULE = 'weather_demo01.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'weather_demo01 (+http://www.yourdomain.com)'
ITEM_PIPELINES = {}
# Obey robots.txt rules
ROBOTSTXT_OBEY = True

这些值都是项目创立时自动写好的不需要改动。

然后就是ITEM_PIPELINES = {}，这个变量是后面需要的，里面写的就是最后用来处理数据的文件，下面会讲

这里提一下ROBOTSTXT_OBEY这个变量的值，有true和false两个值，这个是是否遵守robots协议，robots协议是网站目录中包含一个robots.txt文件，这个文件记录着允许访问哪些目录，哪些不允许访问。下面用淘宝网的做个示范

这个文件一般都是隐藏着的，不允许访问的目录肯定是有东西不想让你知道，隐藏就不会知道哪些不让访问，淘宝留着不知道为啥，不过我估计也没人能对淘宝网造成啥伤害。扯远了，上面这个变量的含义主要是说爬虫爬的时候是否遵守robots.txt协议，如果是true，则不会访问disallow列出的目录，如果是false则是无视这个文件了。

items.py

items.py文件的作用是定义爬虫最终需要哪些项（例如天气、风力、温度等等），内容如下：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class WeatherDemo01Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

就像上面注释说的 在这里为你的item定义项像这样“name = scrapy.Field（）”
（四级没过渣翻译，不过意思没错）

pipelines.py

处理scrapy爬取的数据，意思是爬虫从源码中爬取的数据可能是一个一个列表之类的数据，不方便查看也没有保存，pipelines.py这个文件就是来完成这个工作的，初创建文件代码如下：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


class WeatherDemo01Pipeline(object):
    def process_item(self, item, spider):
        return item

爬虫代码编写

在上面爬虫项目创建的根目录下cmd输入下面命令：

scrapy genspider ChengduWeather http://www.tianqi.com/chengdu/

这个是创建scrapy爬虫脚本，创建在spiders这个文件夹里

所以spiders这个文件夹方的就是爬虫脚本文件，脚本文件就是来爬取网页源码中我们需要的数据的，这个文件是一切的基础。

我们打开目标网站

需要的是成都天气预报一周这里的信息，打开源码查看，找到了信息，这里截取部分信息：

items.py的编写

通过上面网页源码的查看，我们选取日期，星期、温度、天气、风力这几个项进行爬取。编写比较简单，就照着注释里描述的写就行，代码如下：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class WeatherDemo01Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    cityDate = scrapy.Field()  # 城市及日期
    week = scrapy.Field()  # 星期
    temperature = scrapy.Field()  # 温度
    weather = scrapy.Field()  # 天气
    wind = scrapy.Field()  # 风力
    #pass

ChengduWeather.py的编写

代码如下：

# -*- coding: utf-8 -*-
import scrapy
from weather_demo01.items import WeatherDemo01Item 

class ChengduweatherSpider(scrapy.Spider):
    name = 'ChengduWeather'
    allowed_domains = ['http://www.tianqi.com/chengdu/']
    start_urls = ['http://www.tianqi.com/chengdu//']

    def parse(self, response):
        items = []
        city = response.xpath('//dd[@class="name"]/h2/text()').extract()
        selector = response.xpath('//div[@class="day7"]')
        date = selector.xpath('ul[@class="week"]/li/b/text()').extract()
        week = selector.xpath('ul[@class="week"]/li/span/text()').extract()
        wind = selector.xpath('ul[@class="txt"]/li/text()').extract()
        weather = selector.xpath('ul[@class="txt txt2"]/li/text()').extract()
        wendu1 = selector.xpath('div[@class="zxt_shuju"]/ul/li/span/text()').extract()
        wendu2 = selector.xpath('div[@class="zxt_shuju"]/ul/li/b/text()').extract()
        for i in range(7):
            item = WeatherDemo01Item()
            try:
                item["cityDate"] = city[0] + date[i]  # 城市及日期
                item["week"] = week[i]  # 星期
                item["temperature"] = wendu1[i] + "~" + wendu2[i]  # 温度
                item["weather"] = weather[i]  # 天气
                item["wind"] = wind[i]  # 风力
            except IndexError as e:
                exit()
            items.append(item)
        return items
        #pass

这里解释，首先得先引入items文件，因为爬取的项是和items里的是相关联的。然后我们创建一个名为items的列表，用来将爬取的信息整合到这个列表里。
之后就是使用xpath选择器了，例如：

city = response.xpath('//dd[@class="name"]/h2/text()').extract()

这句话的涵义就是定义一个city，他返回的是所有dd标签中class叫name的标签，下h2标签，下的文本（用逗号隔开方便理解）

到时候返回的就是“成都“。

selector = response.xpath('//div[@class="day7"]')

这段返回的是所有div的class是day7的标签，这里先定义它起一个嵌套的左右，后面几个项都在它的里面，直接嵌套selector的结果进行xpath选择更方便。
其他的我就暂时不讲了，xpath的话有时间自己再总结一下放在这里。
最终效果就是每一项生成了一个列表，如week里面就是[星期一，星期二，星期三……]
然后就是

for i in range(7):
            item = WeatherDemo01Item()
            try:
                item["cityDate"] = city[0] + date[i]  # 城市及日期
                item["week"] = week[i]  # 星期
                item["temperature"] = wendu1[i] + "~" + wendu2[i]  # 温度
                item["weather"] = weather[i]  # 天气
                item["wind"] = wind[i]  # 风力
            except IndexError as e:
                exit()
            items.append(item)
        return items

这里7是指7天，0~6遍历一遍，通过上面xpath的选择将每个列表里对应下标的元素取出组合，得到效果如：成都x月x日，星期几，温度多少多少、……

最后再添加到items列表中

pipelines.py的编写

将爬虫得到的结果保存为txt格式，代码如下：

# -*- coding: utf-8 -*-
import time
import codecs
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


class WeatherPipeline(object):
    def process_item(self, item, spider):
        today = time.strftime('%Y-%m-%d',time.localtime())
        filename = today + '成都天气.txt'
        with codecs.open(filename,'a','utf-8') as fp:
            fp.write("%s \t %s \t %s \t %s \t %s \r\n"
                     %(item['cityDate'],
                       item['week'],
                       item['temperature'],
                       item['weather'],
                       item['wind']))
        return item

这个不难理解，就是先设定txt的命名格式，然后格式化输出上面ChengduWeather.py脚本爬取的内容，记录到txt文件中保存。

settings.py的编写

决定由哪个文件来处理获取的数据，这里当然是选取pipeline.py文件来处理
只加一句话，

ITEM_PIPELINES = {'weather_demo01.pipelines.WeatherDemo01Pipeline':300,}

这里说一下后面的数字，意思是确定优先级，数字越大优先级越高，优先运行数字大的处理文件。

运行结果

在pycharm命令行内输入

scrapy crawl ChengduWeather

结果如下：