Python爬虫实战：抓取百度15天天气预报数据
🌐 编程基础第一期《9-30》–使用python中的第三方模块requests，和三个内置模块(re、json、pprint)，实现百度地图的近15天天气信息抓取
记得安装
pip install requests
📑 项目介绍
网络爬虫是Python最受欢迎的应用场景之一，通过爬虫技术，我们可以自动获取互联网上的各种数据资源。本文将带您实现一个简易爬虫，抓取百度地图的15天天气预报数据，这是一个非常实用的入门级爬虫项目。
🔍 爬虫实现思路
爬虫开发的核心步骤通常包括：网页分析、构造请求、数据提取和数据处理。下面我们将按照这个流程来实现我们的天气数据爬虫。
1. 网页结构分析
首先，我们需要分析目标网页的结构，找出我们需要的数据在哪里。
步骤一：访问目标页面
步骤二：查看页面内容
步骤三：打开开发者工具
进入浏览器控制台，可以按F12，或者鼠标右键 —》检查
步骤四：定位数据元素
这个案例是需要获取天气的【日期、温度、天气】，这三个字段
如果是直接搜索相应的数据的话，是搜不到的，而且有点乱【Ctrl+F：搜索】，所以就用最笨的方法查看数据了，博主也是很快定位到了数据【15_day_forecast】
通过分析，我们发现天气数据是通过JavaScript动态加载的，数据存储在window.tplData变量中，具体是在15_day_forecast对象里。这意味着我们需要使用正则表达式从页面源码中提取这部分数据。
2. 获取请求参数
为了模拟浏览器发送请求，我们需要获取完整的请求参数，包括headers、cookies等。
使用工具转换请求格式
我们可以使用curlconverter.com工具，将浏览器复制的curl命令转换为Python代码：
这个工具可以帮助我们快速生成请求所需的cookies、headers和params等参数，大大简化了爬虫开发过程。
3. 代码实现
下面是完整的Python爬虫代码实现：
import requests
import re
import json
from pprint import pprintcookies = {'BAIDUID': 'D9390E952557E33F7CCC1A0109B7FA36:FG=1','PSTM': '1724329650','BIDUPSID': '32FE4B5E017DB09C400649766FC53D1B','H_WISE_SIDS_BFESS': '60360_60621_60630_60665_60677','BAIDUID_BFESS': 'D9390E952557E33F7CCC1A0109B7FA36:FG=1','ZFY': 'G4IF74JdDWkiPzA7wsun:A9:AdrfYQK3wASfOCR3zneJ0:C','__bid_n': '196e65bedde90245f15fbf','H_WISE_SIDS': '62325_62967_63195_63241_63247_63266','BDRCVFR[VXHUG3ZuJnT]': 'I67x6TjHwwYf0','H_PS_PSSID': '61672_62325_62967_63148_63195_63211_63241_63247_63255_63266_63325_63366_63389_63380_63186_63395_63392_63390_63403','delPer': '0','PSINO': '1','BDORZ': 'FFFB88E999055A3F8A630C64834BD6D0','BA_HECTOR': '242lah0h85202k00202lal8h0k0ga61k3b6p924','Hm_lvt_3535ee208b02ecdf4b2576fd444e8473': '1748343601','Hm_lpvt_3535ee208b02ecdf4b2576fd444e8473': '1748343601','HMACCOUNT': 'BF9680BBBCADEAE7',
}headers = {'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7','accept-language': 'zh-CN,zh;q=0.9','cache-control': 'no-cache','pragma': 'no-cache','priority': 'u=0, i','referer': 'https://www.baidu.com/link?url=ajB3uWQlmNXyVidQRV-1nepXkS-ZUJDTJP3_HkueruWRBti13-iGBZJC1qMnR8pVgkLXHUxRWG8iv9tlJZFuVD0UqvTN1KpXcH5Sjltgq93cArc4Ocpl5irtWM2zRTYi0nVOHUeSWeV3ArpliNJvgErF2AaOpuWN6Jzb_yPJd3_DDH4uDBSFAENIXFV98SgaWmQyD7eE7wSJtPaZK-Y_5a&wd=&eqid=e24cffc50001782a0000000368359b29','sec-ch-ua': '"Chromium";v="136", "Google Chrome";v="136", "Not.A/Brand";v="99"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': '"Windows"','sec-fetch-dest': 'document','sec-fetch-mode': 'navigate','sec-fetch-site': 'same-site','sec-fetch-user': '?1','upgrade-insecure-requests': '1','user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/136.0.0.0 Safari/537.36',# 'cookie': 'BAIDUID=D9390E952557E33F7CCC1A0109B7FA36:FG=1; PSTM=1724329650; BIDUPSID=32FE4B5E017DB09C400649766FC53D1B; H_WISE_SIDS_BFESS=60360_60621_60630_60665_60677; BAIDUID_BFESS=D9390E952557E33F7CCC1A0109B7FA36:FG=1; ZFY=G4IF74JdDWkiPzA7wsun:A9:AdrfYQK3wASfOCR3zneJ0:C; __bid_n=196e65bedde90245f15fbf; H_WISE_SIDS=62325_62967_63195_63241_63247_63266; BDRCVFR[VXHUG3ZuJnT]=I67x6TjHwwYf0; H_PS_PSSID=61672_62325_62967_63148_63195_63211_63241_63247_63255_63266_63325_63366_63389_63380_63186_63395_63392_63390_63403; delPer=0; PSINO=1; BDORZ=FFFB88E999055A3F8A630C64834BD6D0; BA_HECTOR=242lah0h85202k00202lal8h0k0ga61k3b6p924; Hm_lvt_3535ee208b02ecdf4b2576fd444e8473=1748343601; Hm_lpvt_3535ee208b02ecdf4b2576fd444e8473=1748343601; HMACCOUNT=BF9680BBBCADEAE7',
}params = {'query': '广东深圳天气','srcid': '4982','forecast': 'long_day_forecast',
}response = requests.get('https://weathernew.pae.baidu.com/weathernew/pc', params=params, cookies=cookies,headers=headers)
# 获取天气数据
tplData = re.findall(r'window.tplData = (.*?);', response.text)[0]
# 这个数据是`str`类型，所以需要转换成json数据类型，然后再获取数据
tpl_15_day_forecast = json.loads(tplData)['15_day_forecast']['info']
# 定义一个空列表
recently_data = []
for tpl in tpl_15_day_forecast:date = tpl['date']temperature = tpl['temperature_night'] + ' ~ ' + tpl['temperature_day'] + '°C'weather = tpl['weather_night']recently_data.append({"date": date, "temperature": temperature, "weather": weather})# 整齐输出
pprint(recently_data)
4. 运行效果
执行上述代码后，我们可以得到格式化的15天天气预报数据：
🔎 代码解析与知识点
这个简单的爬虫项目涵盖了多个Python爬虫开发的关键知识点，下面我们来详细分析：
1. HTTP请求与网络通信
- requests模块应用：使用Python最流行的HTTP客户端库发送GET请求
- 请求参数构造：通过params、cookies和headers参数模拟浏览器行为
- 防反爬策略：通过设置User-Agent、Referer等头信息，避免被目标网站识别为爬虫
# 发送HTTP GET请求示例
response = requests.get('https://weathernew.pae.baidu.com/weathernew/pc', params=params, cookies=cookies,headers=headers)
2. 正则表达式数据提取
- re模块应用：使用Python内置的正则表达式模块提取特定模式的文本
- 贪婪与非贪婪匹配：使用
.*?进行非贪婪匹配，精确定位目标数据 - 捕获组：使用括号
()创建捕获组，提取匹配的内容
# 正则表达式提取示例
tplData = re.findall(r'window.tplData = (.*?);', response.text)[0]
3. JSON数据处理
- json模块应用：使用Python内置的JSON模块解析字符串为Python对象
- 数据序列化与反序列化：将字符串转换为Python对象(反序列化)
- 复杂数据结构访问：通过键名访问嵌套的JSON数据
# JSON解析示例
tpl_15_day_forecast = json.loads(tplData)['15_day_forecast']['info']
4. 数据结构与处理
- 列表操作：创建空列表并使用append方法添加元素
- 字典操作：创建包含多个键值对的字典对象
- 循环遍历：使用for循环遍历列表中的每个元素
- 字符串拼接：使用
+运算符连接多个字符串
# 数据处理示例
recently_data = []
for tpl in tpl_15_day_forecast:date = tpl['date']temperature = tpl['temperature_night'] + ' ~ ' + tpl['temperature_day'] + '°C'weather = tpl['weather_night']recently_data.append({"date": date, "temperature": temperature, "weather": weather})
5. 格式化输出
- pprint模块应用：使用Python的美化打印模块，以更易读的方式显示复杂数据结构
- 数据可视化：将提取的数据以结构化、易读的方式展示
# 格式化输出示例
pprint(recently_data)
📚 学习要点总结
- 网络爬虫基础：HTTP请求、响应处理、模拟浏览器行为
- 数据提取技术：正则表达式、JSON解析
- Python模块应用：requests、re、json、pprint
- 网页分析方法：使用开发者工具定位数据元素
- 数据处理技巧：列表、字典操作，数据结构转换
- 爬虫伦理与合规：遵守网站robots.txt规则，合理控制请求频率
通过这个项目，您可以掌握Python爬虫开发的基本流程和技术要点，为进一步学习更复杂的爬虫项目打下坚实基础。
今日分享语录
与其攀比他人，不如攀比昨天的自己