用python爬取历史天气数据的方法示例

概述用python爬取历史天气数据的方法示例 某天气网站(www.数字.com)存有2011年至今的天气数据,有天看到一本爬虫教材提到了爬取这些数据的方法,学习之,并加以改进. 准备爬的历史天气 爬之前先分析url.左上有年份.月份的下拉选择框,按F12,进去看看能否找到真正的url: 很容易就找到了,左边是储存月度数据的js文件,右边是文件源代码,貌似json格式. 双击左边js文件,地址栏内出现了url:http://tianqi.数字.com/t/wea_history/js/54511_20161.js url中的"545 ...

某天气网站（www.数字.com）存有2011年至今的天气数据，有天看到一本爬虫教材提到了爬取这些数据的方法，学习之，并加以改进。

准备爬的历史天气

爬之前先分析url。左上有年份、月份的下拉选择框，按F12，进去看看能否找到真正的url：

很容易就找到了，左边是储存月度数据的Js文件，右边是文件源代码，貌似Json格式。

双击左边Js文件，地址栏内出现了url：http://tianqi.数字.com/t/wea_history/Js/54511_20161.Js

url中的“54511”是城市代码，“20161”是年份和月份代码。下一步就是找到城市代码列表，按城市+年份+月份构造url列表，就能开始遍历爬取了。

城市代码也很诚实，很快就找到了：

下一步得把城市名称和代码提取出来，构造一个“城市名称：城市代码”的字典，或者由元组（城市名称，城市代码）组成的列表，供爬取时遍历。考虑到正则提取时，构造元组更便捷，就不做成字典了。

def getCity():  HTML = reqs.get('https://tianqi.2345.com/Js/citySelectData.Js').content  text = HTML.decode('gbk')  city = re.findall('([1-5]\d{4})\-[A-Z]\s(.*?)\-\d{5}',text)  #只提取了地级市及以上城市的名称和代码，5以上的是县级市  city = List(set(city))                    #去掉重复城市数据  print('城市列表获取成功')  return city

接下来是构造url列表，感谢教材主编的提醒，这里避免了一个大坑。原来2017年之前的url结构和后面的不一样，在这里照搬了主编的构造方法：

def getUrls(cityCode):  urls = []  for year in range(2011,2020):    if year <= 2016:      for month in range(1,13):        urls.append('https://tianqi.数字.com/t/wea_history/Js/%s_%s%s.Js' % (cityCode,year,month))    else:      for month in range(1,13):        if month<10:          urls.append('https://tianqi.数字.com/t/wea_history/Js/%s0%s/%s_%s0%s.Js' %(year,month,cityCode,month))        else:          urls.append('https://tianqi.数字.com/t/wea_history/Js/%s%s/%s_%s%s.Js' %(year,month))  return urls

接下来定义一个爬取页面的函数getHTML()，这个是常规 *** 作，用requests模块就行了：

def getHTML(url):  header = {'User-Agent': 'Mozilla/5.0 (windows NT 6.1; WOW64; rv:14.0) Gecko/20100101 firefox/14.0.1','Referer': '******'}  request = reqs.get(url,headers = header)  text = request.content.decode('gbk') #经试解析，这里得用gbk模式  time.sleep(random.randint(1,3))    #随机暂停，减轻服务器压力  return text

然后就是重点部分了，数据解析与提取。

试了试Json解析，发现效果不好，因为页面文本里面含杂质。

还是用正则表达式吧，能够提取有效数据，尽可能少浪费机器时间。

2016年开始的数据和之前年份不一样，多了PM2.5污染物情况，因此构造正则表达式时，还不能用偷懒模式。

str1 = "{ymd:'(.*?)',bWendu:'(.*?)℃',yWendu:'(.*?)℃',tianqi:'(.*?)',fengxiang:'(.*?)',fengli:'(.*?)',aqi:'(.*?)',aqiInfo:'(.*?)',aqiLevel:'(.*?)'.*?}"str2 = "{ymd:'(.*?)',fengli:'(.*?)'.*?}"#这个就是偷懒模式，取出来的内容直接存入元组中

如果严格以2016年为界，用一下偷懒模式还行，但本人在这里遇坑了，原来个别城市的污染物信息是时有时无的，搞不清在某年某月的某天就出现了，因此还得构造一个通用版的，把数据都提出来，再把无用的字符去掉。

def getDf(url):  HTML = getHTML(url)  pa = re.compile(r'{(ymd.+?)}')           #用'{ymd'打头，把不是每日天气的其它数据忽略掉  text = re.findall(pa,HTML)  List0 = []  for item in text:    s = item.split(',')              #分割成每日数据    d = [i.split(':') for i in s]         #提取冒号前后的数据名称和数据值    t = {k:v.strip("'").strip('℃') for k,v in d} #用数据名称和数据值构造字典    List0.append(t)  df = pd.DataFrame(List0)              #加入pandas列表中，便于保存  return df 

数据的保存，这里选择了sqlite3轻便型数据库，可以保存成db文件：

def work(city,url):  con =sql.connect('d:\天气.db')  try:    df = getDf(url)    df.insert(0,'城市名称',city)                #新增一列城市名称    df.to_sql('total',con,if_exists='append',index=False)    print(url,'下载完成')  except Exception as e:    print("出现错误:\n",e)  finally:    con.commit()    con.close()

在这里还有一个小坑，第一次连接数据库文件时，如果文件不存在，会自动添加，后续在写入数据时，如果数据中新增了字段，写入时会报错。可以先把数据库文件字段都设置好，但这样太累，所以本人又搞了个偷懒的方式，即先传入一个2019年某月的单个url搞一下，自动添加好字段，后面再写入时就没问题了。本人觉得这个应该还有更佳的解决办法，目前还在挖掘中。

数据保存后的状态如下：

本来考虑过用多线程爬虫，想想又觉得既然人家没有设置反爬措施，咱们也不能太不厚道了，就单线程吧。

最终爬了334个城市，100多万条数据。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

总结

以上是内存溢出为你收集整理的用python爬取历史天气数据的方法示例全部内容，希望文章能够帮你解决用python爬取历史天气数据的方法示例所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。