Python网络爬虫教程：使用BeautifulSoup高效抓取天气数据

# 查找页面中所有的<dt>标签
all_dt_elements = soup.find_all("dt")

接下来，我们需要根据

# 定义需要抓取的气象指标列表
# 如果需要更多指标，可在此列表中添加
metrics_to_extract = [
    "Dew point:", "Wind:", "Pressure:", "Condition:", "Tendency:",
    "Temperature:", "Humidity:", "Visibility:"
]

# 用于存储抓取到的数据
weather_data = {}

for elem_dt in all_dt_elements:
    # 检查<dt>标签的文本内容是否在我们关注的指标列表中
    if elem_dt.text in metrics_to_extract:
        # 获取<dt>标签的下一个兄弟节点，通常是换行符或空格
        # 再获取下一个兄弟节点，才是实际包含值的<dd>标签
        value_elem_dd = elem_dt.next_sibling.next_sibling

        # 提取文本并去除首尾空白符（包括换行符）
        # 如果<dd>标签不存在，则设为"No Data"
        extracted_value = value_elem_dd.text.strip() if value_elem_dd else "No Data"

        # 将数据存储到字典中，键为指标名称，值为提取到的数据
        # 这里假设每个指标只有一个值，如果网站结构可能导致多值，可使用列表存储
        weather_data[elem_dt.text.replace(':', '')] = extracted_value

3. 完整代码示例

将上述步骤整合，形成一个完整的、可运行的Python脚本，用于抓取天气数据：

import requests
from bs4 import BeautifulSoup

def get_weather_data(url):
    """
    从指定URL抓取天气数据。
    """
    try:
        # 发送HTTP GET请求，设置超时时间为10秒
        resp = requests.get(url, timeout=10)
        # 检查HTTP请求是否成功，如果状态码不是200，将抛出HTTPError异常
        resp.raise_for_status()
    except requests.exceptions.RequestException as e:
        print(f"请求网页失败: {e}")
        return None

    # 使用BeautifulSoup解析HTML内容
    soup = BeautifulSoup(resp.content, "html.parser")

    # 定义需要抓取的气象指标列表
    # 如果需要更多指标，可在此列表中添加
    metrics = ["Dew point:", "Wind:", "Pressure:", "Condition:", "Tendency:",
               "Temperature:", "Humidity:", "Visibility:"]

    data = {}

    # 查找页面中所有的<dt>标签
    all_dt = soup.find_all("dt")

    for elem in all_dt:
        # 检查<dt>标签的文本内容是否在我们关注的指标列表中
        if elem.text in metrics:
            # <dd>标签通常是<dt>标签的下一个兄弟节点，但有时会有换行符或空格作为兄弟节点
            # 因此使用 .next_sibling.next_sibling 来获取实际的<dd>标签
            value_elem = elem.next_sibling.next_sibling
            # 提取文本并去除首尾空白符（包括换行符）
            extracted_value = value_elem.text.strip() if value_elem else "No Data"
            # 将冒号从键中移除，使数据更清晰
            data[elem.text.replace(':', '')] = extracted_value
    return data

if __name__ == "__main__":
    target_url = "https://weather.gc.ca/city/pages/ab-52_metric_e.html"
    weather_info = get_weather_data(target_url)

    if weather_info:
        print("抓取到的天气数据:")
        for key, value in weather_info.items():
            print(f"{key}: {value}")
    else:
        print("未能成功获取天气数据。")

运行上述代码，你将看到类似以下的输出：

抓取到的天气数据:
Temperature: 13.2°C
Dew point: -2.3°C
Humidity: 34%
Wind: NE 9 km/h
Visibility: 48 km

(实际输出可能因网站数据实时更新而有所不同)

4. 注意事项与最佳实践

在进行网页数据抓取时，除了掌握技术方法，还需要注意以下几点：

• 网站结构变化： 网页的HTML结构并非一成不变，网站改版可能导致爬虫代码失效。因此，定期检查并更新爬虫代码是必要的维护工作。
• 反爬机制： 许多网站会部署反爬虫机制，如检测User-Agent、IP访问频率限制、验证码、JavaScript动态加载内容等。针对这些情况，可能需要模拟浏览器行为（设置请求头）、使用代理IP池、降低请求频率或使用Selenium等工具。
• robots.txt文件： 在爬取任何网站之前，应查看该网站根目录下的robots.txt文件（例如：https://weather.gc.ca/robots.txt），了解网站对爬虫的限制和允许爬取的范围，遵守网站的爬取规则。
• 请求频率与礼貌： 避免在短时间内发送大量请求，这可能给网站服务器造成负担，甚至导致你的IP被封禁。建议在请求之间设置合理的延时（例如使用time.sleep()）。
• 错误处理： 编写健壮的爬虫代码，必须包含充分的错误处理逻辑，例如处理网络连接失败、页面元素缺失、数据解析错误等情况。
• 数据清洗与存储： 抓取到的原始数据可能包含多余的字符或格式不统一。需要进一步的数据清洗和格式化，然后存储到数据库、CSV文件或JSON文件中，以便后续分析。
• 官方API优先： 在考虑爬虫之前，应首先检查目标网站是否提供官方的API接口。使用API通常更稳定、合法，且数据格式规范，是获取数据的首选方式。

总结

本教程详细演示了如何使用Python的requests和BeautifulSoup库从天气网站抓取特定的气象数据。通过理解HTML结构、精确选择元素以及适当的错误处理，我们可以构建出高效且相对稳定的网页爬虫。然而，网页爬虫是一个动态变化的领域，持续学习和适应网站变化是成功的关键。遵循最佳实践，确保爬虫的礼貌性和合法性，将有助于你在数据获取的道路上走得更远。