python网页信息抓取

自动抓取网页信息，也就是爬虫，一般通过js或者python都可以较方便的实现。都是通过

模拟发送页面请求，然后解析html页面的元素来提取信息。

例如js的实现方法：https://github.com/jackieli123723/ci

function wraperAxiosHour(cityCode) {
  return new Promise((resolve, reject) => {
    const url = `http://www.weather.com.cn/weather1dn/${cityCode}.shtml`;
    axios
      .get(url)
      .then(function(response) {
        const $ = cheerio.load(response.data, {
          decodeEntities: false
        });

        let hasBody = $("body").html();
        if (hasBody == "") {
          let errorInfo = {
            msg: "城市代码错误",
            code: 500
          };
          reject(errorInfo);
          return;
        }

        let todayData = $(".todayRight script")
          .html()
          .replace("var hour3data=", "")
          .replace(/\n/g, "")
          .split(";");

        todayData.pop();

        //24小时
        // console.log(jsonToObj(todayData[0]))
        let forecastList1 = getPerTimeList(jsonToObj(todayData[0])[0])
          .drgeeData;
        let forecastList2 = getPerTimeList(jsonToObj(todayData[0])[1])
          .drgeeData;

        let forecastListob = forecastList1.concat(forecastList2);

        let forecastList = forecastListob.slice(0, 24);

        let lifeAssistant = getLv(0, $);

        let sunup = jsonToObj(todayData[7].replace("var sunup =", ""))[1];
        let sunset = jsonToObj(todayData[8].replace("var sunset =", ""))[1];
        let max_degree = jsonToObj(
          todayData[3].replace("var eventDay =", "")
        )[2];
        let min_degree = jsonToObj(
          todayData[4].replace("var eventNight =", "")
        )[1];

        // console.log(max_degree,min_degree,sunup,sunset)

        resolve({
          forecastList,
          lifeAssistant,
          max_degree,
          min_degree,
          sunup,
          sunset
        });
      })
      .catch(err => reject(err));
  });
}

　python的做法：

python3中requests库和urllib包都可以用来发送请求，注意urllib已经升级到3了。

区别：（转）
1）构建参数：在构建请求参数时，第一种需要将请求参数使用urllib库的urlencode方法进行编码预处理，非常麻烦

2）请求方法：发送get请求时，第一种使用的urllib库的urlopen方法打开一个url地址，而第二种直接使用requests库的get方法，与http请求方式是对应的，更加直接、易懂

3）请求数据：第一种按照url格式去拼接一个url字符串，显然非常麻烦，第二种按顺序将get请求的url和参数写好就可以了

4）处理响应：第一种处理消息头部、.getcode()、响应状态码和响应正文时分别使用.info()、.read()方法，第二种使用.headers、.status_code、.text方法，方法名称与功能本身相对应，更方便理解、学习和使用

5）连接方式：看一下返回数据的头信息的“connection”，使用urllib库时，“connection”:“close”，说明每次请求结束关掉socket通道，而使用requests库使用了urllib3，多次请求重复使用一个socket，“connection”:“keep-alive”，说明多次请求使用一个连接，消耗更少的资源

6）编码方式：requests库的编码方式Accept-Encoding更全

获取html以后，一种是直接使用python的re的正则表达式模块。一种是用BeautifulSoup 来解析。

def getTemp(html):
    text = "".join(html.split())
    patten = re.compile('<divclass="tqtongji2">(.*?)</div><divstyle="clear:both">')
    table = re.findall(patten, text)
    patten1 = re.compile('<ul>(.*?)</ul>')
    uls = re.findall(patten1, table[0])
    rows = []
    for ul in uls:
        patten2 = re.compile('<li>(.*?)</li>')
        lis = re.findall(patten2, ul)
        time = re.findall('>(.*?)</a>', lis[0])[0]
        high = lis[1]
        low = lis[2]
        rows.append((time, high, low))
    return rows

　　

soup = BeautifulSoup(text, 'html5lib')
    conMidtab = soup.find("div", class_="conMidtab")
    tables = conMidtab.find_all('table')