本文研究的主要是Python爬虫天气预报的相关内容，具体介绍如下。
这次要爬的站点是这个：http://www.weather.com.cn/forecast/
要求是把你所在城市过去一年的历史数据爬出来。
分析网站
首先来到目标数据的网页 http://www.weather.com.cn/weather40d/101280701.shtml
我们可以看到，我们需要的天气数据都是放在图表上的，在切换月份的时候，发现只有部分页面刷新了，就是天气数据的那块，而URL没有变化。
这是因为网页前端使用了JS异步加载的技术，更新时不用加载整个页面，从而提升了网页的加载速度。
对于这种非静态页面，我们在请求数据时，就不能简单的通过替换URL来请求不同的页面。
着眼点要放在Network，观察整个请求的过程，从中寻找突破口。
老规矩按下F12 > network，切换下页面，发现多了一些东西，这就是切换月份，浏览器发出的请求，可以很清楚的看到请求头和请求参数。
再来看看Response是怎样的吧
真是没想到，返回的居然是json格式的天气数据！直接做 json 反序化就能变成字典的形式，省掉了我们解析 html 的麻烦呀。既然找到了数据所在的地方，就可以开始尝试构建请求了。
构建请求
先直接copy上面的Request URL，试下请求。http://d1.weather.com.cn/calendar_new/2017/101280701_201706.html?_=1495720234075
然后发现报错了，先把请求头全部满上怼进去，发现可以正常的响应。
但是我们还要分析下到底哪个参数不对出了问题。经过尝试，发现请求头里的Referer的原因，去掉就会报错。
这是因为这是浏览器发出请求时，会通过Referer告诉服务器我是从哪个页面链接过来的，有些网站会对这个做验证，主要时为了防止别人盗链的问题。
这个中国天气网，就是验证了Referer里的域名是不是自己的，不是的话就会403禁止访问服务器。
接下来就要考虑怎么请求不同月份的数据。
通过观察URL，发现其实很简单，直接替换年月，就可以循环抓取，得到整年的数据。
那中间的101280701是什么意思呢，经过请求不同的城市对比URL，我发现这是表示地理位置的一个数据。
前3位表示国家中国，后6位依次表示，省份，城市和区县。修改这里，就能实现对不同城市进行查询了。
最后一个参数1495720234075，开始以为是随机数，后来有朋友提醒这是unix时间戳，实际上就算去掉这个，也能正常访问数据，没什么影响。
解析数据
拿到数据以后，就可以开始解析了。不过这里根本用不上xpath，直接用Json.load()，就能反序列化成json对象，从中取出字典，节省很多麻烦。需要注意的是，返回的40天的天气数据 fc40 字符串是这样
var fc40 = [{"blue":"","c1":"","c2":"","cla":"history","date":"20151227","des":"历史均值","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，注意这里的json对象实际是个存储字典的list[]。开始想用正则，不过不熟没弄好。后来发现 python 字符串也能使用这样的语法 [a:b] 来取出位置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。
保存数据
因为数据量比较大，就采用mongodb来做数据持久化。mongodb 我也是才学习，参考了别人的教程，才做好了环境配置，过程打算总结到另一篇，这里就打算不多说了。
因为原本的放了天气数据的字典里面有太多没用的数据，我只想提取出我想要的部分，就用了一个小技巧。
将想要的数据的key，保存成subkey这个字典，用 for in取出subkey中的key，再回到原本的dict中取出对应的值，最后将这些键值对，都存储在一个subdict字典里，就完成了提取出子字典的功能。说起来很麻烦，但是代码却很简单，这可能就是python的魅力吧。
| 1 2 | subkey = { 'date' , 'hmax' , 'hmin' , 'hgl' , 'fe' , 'wk' , 'time' } subdict = {key: dict [key] for key in subkey} |
然后我还做了个用中文替换的原来key的功能，只需要稍作修改，for in 取出来的是键值对，然后用中文的value，替换英文的key，就ok了。
| 1 2 3 | subkey = { 'date' : '日期' , 'hmax' : '最高温度' , 'hmin' : '最低温度' , 'hgl' : '降水概率' , 'fe' : '节日' , 'wk' : '星期' } subdict = {value: dict [key] for key, value in subkey.items()} |
最后的结果如下图，这是用pycharm上的mongodb可视化插件Mongo Plugin看到的,在pycharm>settings>plugins里面可以搜索安装。需要注意的是，默认只显示300条数据。想要看到更多，就在Row limit 上输入总数就行。
Python的代码非常短才30多行，就完成了爬虫的整个流程， 请求，解析，保存，一气呵成，可谓是爬虫界的豪杰
# 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'
:
'最高温度'
,
'hmin'
:
'最低温度'
,
'hgl'
:
'降水概率'
,
'fe'
:
'节日'
,
'wk'
:
'星期'
,
'time'
:
'发布时间'
}
for
dict
in
list
:
subdict
=
{value:
dict
[key]
for
key, value
in
subkey.items()}
#提取原字典中部分键值对，并替换key为中文
forecast.insert_one(subdict)
#插入mongodb数据库
if
__name__
=
=
'__main__'
:
year
=
"2016"
month
=
1
client
=
pymongo.MongoClient(
'localhost'
,
27017
)
# 连接mongodb,端口27017
test
=
client[
'test'
]
# 创建数据库文件test
forecast
=
test[
'forecast'
]
# 创建表forecast
for
i
in
range
(month,
13
):
month
=
str
(i)
if
i >
9
else
"0"
+
str
(i)
#小于10的月份要补0
save(parse(request(year, month)))
