天气网的城市代码信息结构比较复杂，所有代码按层级放在了很多xml为后缀的文件中。而这些所谓的“xml”文件又不符合xml的格式规范，导致在浏览器中无法显示，给我们的抓取又多加了一点难度。
首先，抓取省份的列表：
1 2 3 | url1 = 'http://m.weather.com.cn/data5/city.xml' content1 = urllib2.urlopen(url1).read() provinces = content1.split(',') |
输出content1可以查看全部省份代码：
1 | 01|北京,02|上海,03|天津,... |
对于每个省，抓取城市列表：
1 2 3 4 5 6 | url = 'http://m.weather.com.cn/data3/city%s.xml' for p in provinces: p_code = p.split('|')[0] url2 = url % p_code content2 = urllib2.urlopen(url2).read() cities = content2.split(',') |
输出content2可以查看此省份下所有城市代码：
1901|南京,1902|无锡,1903|镇江,…
再对于每个城市，抓取地区列表：
1 2 3 4 5 | for c in cities[:3]: c_code = c.split('|')[0] url3 = url % c_code content3 = urllib2.urlopen(url3).read() districts = content3.split(',') |
content3是此城市下所有地区代码：
190101|南京,190102|溧水,190103|高淳,…
最后，对于每个地区，我们把它的名字记录下来，然后再发送一次请求，得到它的最终代码：
1 2 3 4 5 6 7 | for d in districts: d_pair = d.split('|') d_code = d_pair[0] name = d_pair[1] url4 = url % d_code content4 = urllib2.urlopen(url4).read() code = content4.split('|')[1] |
name和code就是我们最终要得到的城市代码信息。它们格式化到字符串中，最终保存在文件里：
1 2 | line = " '%s': '%s',\n" % (name, code) result += line |
同时你也可以输出它们，以便在抓取的过程中查看进度：
1 | print name + ':' + code |
0 条评论