這個天氣預報的爬蟲寫的比較簡單，沒有坑很快就完成了，很適合我這種小白，而之前寫作業都是到大半夜才調試好的呀/(ㄒoㄒ)/~~，這次正好有時間可以整理下思路。(●'?'●)
這次要爬的站點是這個：http://www.weather.com.cn/forecast/
要求是把你所在城市過去一年的歷史數據爬出來。
分析網站
首先來到目標數據的網頁 http://www.weather.com.cn/weather40d/101280701.shtml
我們可以看到，我們需要的天氣數據都是放在圖表上的，在切換月份的時候，發現只有部分頁面刷新了，就是天氣數據的那塊，而URL沒有變化。
-_-
這是因為網頁前端使用了JS異步加載的技術，更新時不用加載整個頁面，從而提升了網頁的加載速度。
_-
對于這種非靜態頁面，我們在請求數據時，就不能簡單的通過替換URL來請求不同的頁面。
著眼點要放在Network，觀察整個請求的過程，從中尋找突破口。
---
老規矩按下F12 > network，切換下頁面，發現多了一些東西，這其實是切換月份后瀏覽器發出的請求，可以很清楚的看到請求頭和請求參數。
再來看看Response是怎樣的吧
真是沒想到，返回的居然是json格式的天氣數據！直接做 json 反序列化就能變成字典的形式，省掉了我們解析 html 的麻煩呀。既然找到了數據所在的地方，就可以開始嘗試構建請求了。
構建請求
先直接copy上面的Request URL，試下請求。http://d1.weather.com.cn/calendar_new/2017/101280701_201706.html?_=1495720234075
然后發現報錯了，先把請求頭全部滿上懟進去，發現可以正常的響應。
但是我們還要分析下到底哪個參數不對出了問題。經過嘗試，發現請求頭里的Referer的原因，去掉就會報錯。
這是因為這是瀏覽器發出請求時，會通過Referer告訴服務器我是從哪個頁面鏈接過來的，有些網站會對這個做驗證，主要時為了防止別人盜鏈的問題。
這個中國天氣網，就是驗證了Referer里的域名是不是自己的，不是的話就會403禁止訪問服務器。
接下來就要考慮怎么請求不同月份的數據。
通過觀察URL，發現其實很簡單，直接替換年月，就可以循環抓取，得到整年的數據。
那中間的101280701是什么意思呢，經過請求不同的城市對比URL，我發現這是表示地理位置的一個數據。
前3位表示國家中國，后6位依次表示，省份，城市和區縣。修改這里，就能實現對不同城市進行查詢了。
最后一個參數1495720234075，開始以為是隨機數，后來有朋友提醒這是unix時間戳，實際上就算去掉這個，也能正常訪問數據，沒什么影響。
解析數據
拿到數據以后，就可以開始解析了。不過這里根本用不上xpath，直接用Json.load()，就能反序列化成json對象，從中取出字典，節省很多麻煩。需要注意的是，返回的40天的天氣數據 fc40 字符串是這樣的
var fc40 = [{"blue":"","c1":"","c2":"","cla":"history","date":"20151227","des":"歷史均值","fe":"","hgl":"17%","hmax":"17","hmin":"13","hol":"","jq":"" .....]}
前面的字符串需要去掉，才能反序列化，注意這里的json對象實際是個存儲字典的list[]。開始想用正則，不過不熟沒弄好。后來發現 python 字符串也能使用切片 [a:b] 來取出位置a到位置b的字符串，所以就直接用[11 : ], 就能取出fc40 后面的字符串，也很方便。
保存數據
因為數據量比較大，就采用mongodb來做數據持久化。mongodb 我也是才學習，參考了別人的教程，才做好了環境配置，過程打算總結到另一篇，這里就打算不多說了。
因為原本的放了天氣數據的字典里面有太多沒用的數據，我只想提取出我想要的部分，就用了一個列表推導。
將想要的數據的key，保存成subkey這個字典，用 for in取出subkey中的key，再回到原本的dict中取出對應的值，最后將這些鍵值對，都存儲在一個subdict字典里，就完成了提取出子字典的功能。說起來很麻煩，但是代碼卻很簡單，這可能就是python的魅力吧。
subkey = {'date', 'hmax', 'hmin', 'hgl', 'fe', 'wk', 'time'}
subdict = {key: dict[key] for key in subkey}
然后我還做了個用中文替換的原來key的功能，只需要稍作修改，for in 取出來的是鍵值對，然后用中文的value，替換英文的key，就ok了。
subkey = {'date': '日期', 'hmax': '最高溫度', 'hmin': '最低溫度', 'hgl': '降水概率', 'fe': '節日', 'wk': '星期'}
subdict = {value: dict[key] for key, value in subkey.items()}
最后的結果如下圖，這是用pycharm上的mongodb可視化插件Mongo Plugin看到的,在pycharm>settings>plugins里面可以搜索安裝。需要注意的是，默認只顯示300條數據。想要看到更多，就在Row limit 上輸入總數就行。
Python的代碼非常短才30多行，就完成了爬蟲的整個流程， 請求，解析，保存，一氣呵成，可謂是爬蟲界的豪杰。
# encoding=utf-8
import requests
import json
import pymongo
import time
def request(year, month):
url = "http://d1.weather.com.cn/calendar_new/" + year + "/101280701_" + year + month + ".html?_=1495685758174"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36",
"Referer": "http://www.weather.com.cn/weather40d/101280701.shtml",
}
return requests.get(url, headers=headers)
def parse(res):
json_str = res.content.decode(encoding='utf-8')[11:]
return json.loads(json_str)
def save(list):
subkey = {'date': '日期', 'hmax': '最高溫度', 'hmin': '最低溫度', 'hgl': '濕度', 'fe': '節日', 'wk': '星期', 'time': '發布時間'}
for dict in list:
subdict = {value: dict[key] for key, value in subkey.items()} #提取原字典中部分鍵值對，并替換key為中文
print(subdict)
forecast.insert_one(subdict) #插入mongodb數據庫
if __name__ == '__main__':
year = "2016"
month = 1
client = pymongo.MongoClient('localhost', 27017) # 連接mongodb,端口27017
test = client['test'] # 創建數據庫文件test
forecast = test['forecast'] # 創建表forecast
for i in range(month, 13):
month = str(i) if i > 9 else "0" + str(i) #小于10的月份要補0
save(parse(request(year, month)))
time.sleep(1)
