Python爬虫抓取动态数据

一个月前实习导师布置任务说通过网络爬虫获取深圳市气象局发布的降雨数据，网页如下：

心想，爬虫不太难的，当年跟zjb爬煎蛋网无（mei）聊（zi）图的时候，多么清高。由于接受任务后的一个月考试加作业一大堆，导师也不催，自己也不急。

但是，导师等我一个月都得让我来写意味着这东西得有多难吧。。。今天打开一看的确是这样。网站是基于Ajax写的，数据动态获取，所以无法通过下载源代码然后解析获得。

从某不良少年写的抓取淘宝mm的例子中收到启发，对于这样的情况，一般可以同构自己搭建浏览器实现。phantomJs，CasperJS都是不错的选择。

导师的要求是获取过去一年内深圳每个区每个站点每小时的降雨量，执行该操作需要通过如上图中的历史查询实现，即通过一个时间来查询，而这个时间存放在一个hidden类型的input标签里，当然可以通过js语句将其改为text类型，然后执行send_keys之类的操作。然而，我失败了。时间可以修改设置，可是结果如下图。

为此，仅抓取实时数据。选取python的selenium，模拟搭建浏览器，模拟人为的点击等操作实现数据生成和获取。selenium的一大优点就是能获取网页渲染后的源代码，即执行操作后的源代码。普通的通过 url解析网页的方式只能获取给定的数据，不能实现与用户之间的交互。selenium通过获取渲染后的网页源码，并通过丰富的查找工具，个人认为最好用的就是find_element_by_xpath("xxx")，通过该方式查找到元素后可执行点击、输入等事件，进而向服务器发出请求，获取所需的数据。

# coding=utf-8
from testString import *
from selenium import webdriver
import string
import os
from selenium.webdriver.common.keys import Keys
import time
import sys
default_encoding = 'utf-8'
if sys.getdefaultencoding() != default_encoding:
    reload(sys)
    sys.setdefaultencoding(default_encoding)


district_navs = ['nav2','nav1','nav3','nav4','nav5','nav6','nav7','nav8','nav9','nav10']
district_names = ['福田区','罗湖区','南山区','盐田区','宝安区','龙岗区','光明新区','坪山新区','龙华新区','大鹏新区']


flag = 1
while (flag > 0):
    driver = webdriver.Chrome()
    driver.get("http://www.szmb.gov.cn/article/QiXiangJianCe/")
    # 选择降雨量
    driver.find_element_by_xpath("//span[@id='fenqu_H24R']").click()

    filename = time.strftime("%Y%m%d%H%M", time.localtime(time.time())) + '.txt'
    #创建文件
    output_file = open(filename, 'w')
    # 选择行政区
    for i in range(len(district_navs)):
        driver.find_element_by_xpath("//div[@id='" + district_navs[i] + "']").click()
        # print driver.page_source
        timeElem = driver.find_element_by_id("time_shikuang")
        #输出时间和站点名
        output_file.write(timeElem.text + ',')
        output_file.write(district_names[i] + ',')
        elems = driver.find_elements_by_xpath("//span[@onmouseover='javscript:changeTextOver(this)']")
        #输出每个站点的数据，格式为：站点名，一小时降雨量，当日累积降雨量
        for elem in elems:
            output_file.write(AMonitorRecord(elem.get_attribute("title")) + ',')
        output_file.write('\n')
    output_file.close()
    driver.close()
    time.sleep(3600)

文件中引用的文件testString只是修改输出格式，提取有效数据。

#Encoding=utf-8
def OnlyCharNum(s, oth=''):
    s2 = s.lower()
    fomart = 'abcdefghijklmnopqrstuvwxyz0123456789,.'
    for c in s2:
        if not c in fomart:
            s = s.replace(c, '')
    return s


def AMonitorRecord(str):
    str = str.split(":")
    return str[0] + "," + OnlyCharNum(str[1])

一小时抓取一次数据，结果如下：

参考网站：http://cuiqingcai.com/2599.html