爬取的站点:http://beijing.8684.cn/
(1)环境配置,直接上代码:
# -*- coding: utf-8 -*- import requests ##导入requests from bs4 import BeautifulSoup ##导入bs4中的BeautifulSoup import os headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'} all_url = 'http://beijing.8684.cn' ##开始的URL地址 start_html = requests.get(all_url, headers=headers) #print (start_html.text) Soup = BeautifulSoup(start_html.text, 'lxml') # 以lxml的方式解析html文档
(2)爬取站点分析
1、北京市公交线路分类方式有3种:
本文通过数字开头来进行爬取,“F12”启动开发者工具,点击“Elements”,点击“1”,可以发现链接保存在<div class="bus_kt_r1">
里面,故只需要提取出div里的href即可:
代码:
all_a = Soup.find(‘div',class_='bus_kt_r1').find_all(‘a')
2、接着往下,发现每1路的链接都在<div id="con_site_1" class="site_list">
的<a>
里面,取出里面的herf即为线路网址,其内容即为线路名称,代码:
href = a['href'] #取出a标签的href 属性 html = all_url + href second_html = requests.get(html,headers=headers) #print (second_html.text) Soup2 = BeautifulSoup(second_html.text, 'lxml') all_a2 = Soup2.find('div',class_='cc_content').find_all('div')[-1].find_all('a') # 既有id又有class的div不知道为啥取不出来,只好迂回取了
3、打开线路链接,就可以看到具体的站点信息了,打开页面分析文档结构后发现:线路的基本信息存放在<div class="bus_i_content">
里面,而公交站点信息则存放在<div class="bus_line_top">
及<div class="bus_line_site">
里面,提取代码:
title1 = a2.get_text() #取出a1标签的文本 href1 = a2['href'] #取出a标签的href 属性 #print (title1,href1) html_bus = all_url + href1 # 构建线路站点url thrid_html = requests.get(html_bus,headers=headers) Soup3 = BeautifulSoup(thrid_html.text, 'lxml') bus_name = Soup3.find('div',class_='bus_i_t1').find('h1').get_text() # 提取线路名 bus_type = Soup3.find('div',class_='bus_i_t1').find('a').get_text() # 提取线路属性 bus_time = Soup3.find_all('p',class_='bus_i_t4')[0].get_text() # 运行时间 bus_cost = Soup3.find_all('p',class_='bus_i_t4')[1].get_text() # 票价 bus_company = Soup3.find_all('p',class_='bus_i_t4')[2].find('a').get_text() # 公交公司 bus_update = Soup3.find_all('p',class_='bus_i_t4')[3].get_text() # 更新时间 bus_label = Soup3.find('div',class_='bus_label') if bus_label: bus_length = bus_label.get_text() # 线路里程 else: bus_length = [] #print (bus_name,bus_type,bus_time,bus_cost,bus_company,bus_update) all_line = Soup3.find_all('div',class_='bus_line_top') # 线路简介 all_site = Soup3.find_all('div',class_='bus_line_site')# 公交站点 line_x = all_line[0].find('div',class_='bus_line_txt').get_text()[:-9]+all_line[0].find_all('span')[-1].get_text() sites_x = all_site[0].find_all('a') sites_x_list = [] # 上行线路站点 for site_x in sites_x: sites_x_list.append(site_x.get_text()) line_num = len(all_line) if line_num==2: # 如果存在环线,也返回两个list,只是其中一个为空 line_y = all_line[1].find('div',class_='bus_line_txt').get_text()[:-9]+all_line[1].find_all('span')[-1].get_text() sites_y = all_site[1].find_all('a') sites_y_list = [] # 下行线路站点 for site_y in sites_y: sites_y_list.append(site_y.get_text()) else: line_y,sites_y_list=[],[] information = [bus_name,bus_type,bus_time,bus_cost,bus_company,bus_update,bus_length,line_x,sites_x_list,line_y,sites_y_list]
自此,我们就把一条线路的相关信息及上、下行站点信息就都解析出来了。如果想要爬取全市的公交网络站点,只需要加入循环就可以了。
完整代码:
# -*- coding: utf-8 -*- # Python3.5 import requests ##导入requests from bs4 import BeautifulSoup ##导入bs4中的BeautifulSoup import os headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'} all_url = 'http://beijing.8684.cn' ##开始的URL地址 start_html = requests.get(all_url, headers=headers) #print (start_html.text) Soup = BeautifulSoup(start_html.text, 'lxml') all_a = Soup.find('div',class_='bus_kt_r1').find_all('a') Network_list = [] for a in all_a: href = a['href'] #取出a标签的href 属性 html = all_url + href second_html = requests.get(html,headers=headers) #print (second_html.text) Soup2 = BeautifulSoup(second_html.text, 'lxml') all_a2 = Soup2.find('div',class_='cc_content').find_all('div')[-1].find_all('a') # 既有id又有class的div不知道为啥取不出来,只好迂回取了 for a2 in all_a2: title1 = a2.get_text() #取出a1标签的文本 href1 = a2['href'] #取出a标签的href 属性 #print (title1,href1) html_bus = all_url + href1 thrid_html = requests.get(html_bus,headers=headers) Soup3 = BeautifulSoup(thrid_html.text, 'lxml') bus_name = Soup3.find('div',class_='bus_i_t1').find('h1').get_text() bus_type = Soup3.find('div',class_='bus_i_t1').find('a').get_text() bus_time = Soup3.find_all('p',class_='bus_i_t4')[0].get_text() bus_cost = Soup3.find_all('p',class_='bus_i_t4')[1].get_text() bus_company = Soup3.find_all('p',class_='bus_i_t4')[2].find('a').get_text() bus_update = Soup3.find_all('p',class_='bus_i_t4')[3].get_text() bus_label = Soup3.find('div',class_='bus_label') if bus_label: bus_length = bus_label.get_text() else: bus_length = [] #print (bus_name,bus_type,bus_time,bus_cost,bus_company,bus_update) all_line = Soup3.find_all('div',class_='bus_line_top') all_site = Soup3.find_all('div',class_='bus_line_site') line_x = all_line[0].find('div',class_='bus_line_txt').get_text()[:-9]+all_line[0].find_all('span')[-1].get_text() sites_x = all_site[0].find_all('a') sites_x_list = [] for site_x in sites_x: sites_x_list.append(site_x.get_text()) line_num = len(all_line) if line_num==2: # 如果存在环线,也返回两个list,只是其中一个为空 line_y = all_line[1].find('div',class_='bus_line_txt').get_text()[:-9]+all_line[1].find_all('span')[-1].get_text() sites_y = all_site[1].find_all('a') sites_y_list = [] for site_y in sites_y: sites_y_list.append(site_y.get_text()) else: line_y,sites_y_list=[],[] information = [bus_name,bus_type,bus_time,bus_cost,bus_company,bus_update,bus_length,line_x,sites_x_list,line_y,sites_y_list] Network_list.append(information) # 定义保存函数,将运算结果保存为txt文件 def text_save(content,filename,mode='a'): # Try to save a list variable in txt file. file = open(filename,mode) for i in range(len(content)): file.write(str(content[i])+'\n') file.close() # 输出处理后的数据 text_save(Network_list,'Network_bus.txt');
最后输出整个城市的公交网络站点信息,这次就先保存在txt文件里吧,也可以保存到数据库里,比如mysql或者MongoDB里,这里我就不写了,有兴趣的可以试一下,附上程序运行后的结果图:
以上这篇Python爬虫实例_城市公交网络站点数据的爬取方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。
更新日志
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]