Python如何爬取地鐵線路圖

這篇文章將為大家詳細(xì)講解有關(guān)Python如何爬取地鐵線路圖，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

BeautifulSoup（bs4）庫(kù)介紹

BeautifulSoup：“美味的湯，綠色的濃湯”，是一個(gè)可以從HTML或XML文件中提取數(shù)據(jù)的Python庫(kù)。BeautifulSoup提供一些簡(jiǎn)單的、python式的函數(shù)用來(lái)處理導(dǎo)航、搜索、修改分析樹(shù)等功能。它是一個(gè)工具箱，通過(guò)解析文檔為用戶提供需要抓取的數(shù)據(jù)，因?yàn)楹?jiǎn)單，所以不需要多少代碼就可以寫出一個(gè)完整的應(yīng)用程序。

BeautifulSoup自動(dòng)將輸入文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒(méi)有指定一個(gè)編碼方式，這時(shí)，BeautifulSoup就不能自動(dòng)識(shí)別編碼方式了。然后，你僅僅需要說(shuō)明一下原始編碼方式就可以了。

可以直接使用pip安裝：

pip install BeautifulSoup

BeautifulSoup支持Python標(biāo)準(zhǔn)庫(kù)中的HTML解析器,還支持一些第三方的解析器，如，lxml，XML，html5lib等，但是需要安裝相應(yīng)的庫(kù)：

pip install lxml

如果我們不安裝它，則Python會(huì)使用Python默認(rèn)的解析器，lxml解析器更加強(qiáng)大，速度更快，推薦安裝。

接下來(lái)我們以爬取8684網(wǎng)站上的深圳地鐵線路數(shù)據(jù)為例來(lái)進(jìn)行爬蟲實(shí)戰(zhàn)。

地鐵線路網(wǎng)址的獲取

首先導(dǎo)入庫(kù)bs4、lxml、requests：

import requests
import json
from bs4 import BeautifulSoup
import lxml.html

獲取地鐵線路網(wǎng)址

etree = lxml.html.etree
def get_urls():
    url = 'https://dt.8684.cn/so.php?k=pp&dtcity=sz&q=wedwed'
    response = requests.get(url=url)
    soup = BeautifulSoup(response.content, 'lxml').find(attrs={'class': 'fs-fdLink'})
    routes = soup.find('tr').find('td').findAll('a')# 查找所有有關(guān)的節(jié)點(diǎn)
    route_list = []
    for i in routes:
        per = {}
        per['key'] = i.string
        per['value'] = 'https://dt.8684.cn' + i.get('href')
        route_list.append(per)
    return route_list

其中，

soup = BeautifulSoup(response.content, 'lxml')

為創(chuàng)建BeautifulSoup對(duì)象，其意義是將發(fā)送網(wǎng)絡(luò)請(qǐng)求返回的響應(yīng)數(shù)據(jù)創(chuàng)建為soup對(duì)象，數(shù)據(jù)格式為lxml。

具體線路下線路數(shù)據(jù)的獲取

def get_schedule(url):
    response = requests.get(url['value'])
    soup = BeautifulSoup(response.content, 'lxml').find(attrs={'class': 'ib-mn'})
    table_head = soup.find(attrs={'class': 'pi-table tl-table'})
    per_info = table_head.findAll('tr')
    route_list = []
    if (url['key'].find('內(nèi)圈') == -1 and url['key'].find('外圈') == -1):#地鐵線路名稱既無(wú)內(nèi)環(huán)也無(wú)外環(huán)
        route_info = {} #定義地鐵內(nèi)環(huán)字典
        route_info_wai = {}#定義地鐵外環(huán)字典
        stations_nei = [] #定義地鐵內(nèi)環(huán)站臺(tái)列表
        route_info['name'] = url['key'] + '內(nèi)環(huán)'#定義內(nèi)環(huán)線路字典name鍵的值
        route_info_wai['name'] = url['key'] + '外環(huán)'# 定義外環(huán)線路字典name鍵的值
        time_nei_1 = []#定義地鐵內(nèi)環(huán)發(fā)車時(shí)間列表
        time_nei_2 = []#定義地鐵內(nèi)環(huán)收班時(shí)間列表
        time_wai_1 = [] #定義地鐵外環(huán)發(fā)車時(shí)間列表
        time_wai_2 = []# 定義地鐵外環(huán)收班時(shí)間列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):
                    for k in j[0]:
                        stations_nei.append(k.text)#內(nèi)外環(huán)站點(diǎn)名
                    for k in j[3]:
                        time_nei_2.append(k)#內(nèi)環(huán)收車時(shí)間
                    for k in j[1]:
                        time_nei_1.append(k)#內(nèi)環(huán)發(fā)車時(shí)間
                    for k in j[4]:
                        time_wai_2.append(k) #外環(huán)收車時(shí)間
                    for k in j[2]:
                        time_wai_1.append(k)#外環(huán)發(fā)車時(shí)間
        try:
            if (time_nei_1[0] != '--' and time_nei_1[0] != '—'):
                route_info['startTime'] = startTime = time_nei_1[0]#篩除地鐵內(nèi)環(huán)線路發(fā)車時(shí)間為空的數(shù)值
            else:
                route_info['startTime'] = time_nei_1[1]#定義地鐵內(nèi)環(huán)線路發(fā)車時(shí)間
            if (time_nei_2[len(time_nei_2) - 1] != '--' and time_nei_2[len(time_nei_2) - 1] != '—'):
                route_info['endTime'] = time_nei_2[len(time_nei_2) - 1]#篩除地鐵內(nèi)環(huán)線路收車時(shí)間為空的數(shù)值
            else:
                route_info['endTime'] = time_nei_2[len(time_nei_2) - 2]# 定義地鐵內(nèi)環(huán)線路收車時(shí)間
            if (time_wai_1[len(time_wai_1) - 1] != '--' and time_wai_1[len(time_wai_1) - 1] != '—'):
                route_info_wai['startTime'] = time_wai_1[len(time_wai_1) - 1]# 篩除地鐵外環(huán)線路發(fā)車時(shí)間為空的數(shù)值
            else:
                route_info_wai['startTime'] = time_wai_1[len(time_wai_1) - 2]# 定義地鐵外環(huán)線路發(fā)車時(shí)間
            if (time_wai_2[0] != '--' and time_wai_2[0] != '—'):
                route_info_wai['endTime'] = startTime = time_wai_2[0]# 篩除地鐵外環(huán)線路收車時(shí)間為空的數(shù)值
            else:
                route_info_wai['endTime'] = time_wai_2[1]# 定義地鐵外環(huán)線路收車時(shí)間
        except IndexError as e:
            route_info_wai['startTime'] = '06:00'
            route_info_wai['endTime'] = '23:00'
            route_info['startTime'] = '06:00'
            route_info['endTime'] = '23:00'#若無(wú)法找到數(shù)據(jù)，則捕捉索引異常錯(cuò)誤，并對(duì)運(yùn)行時(shí)間賦默認(rèn)值

        route_info['stations'] = stations_nei #內(nèi)環(huán)線路字典stations值賦為內(nèi)環(huán)站點(diǎn)名
        route_info_wai['stations'] = list(reversed(stations_nei))#反轉(zhuǎn)列表值并強(qiáng)制轉(zhuǎn)換數(shù)據(jù)類型為列表，作為外環(huán)站點(diǎn)名
        route_list.append(route_info)
        route_list.append(route_info_wai)#將內(nèi)外環(huán)線路字典插入列表
    else:
    #地鐵線路名稱包含“內(nèi)環(huán)”或“外環(huán)”
        route_info = {}
        stations = []
        route_info['name'] = url['key']# 定義線路字典name鍵的值
        time_1 = [] # 定義地鐵發(fā)車時(shí)間列表
        time_2 = []#定義地鐵收車時(shí)間列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):# 篩除表頭相關(guān)空數(shù)據(jù)
                    for k in j[0]:
                        stations.append(k.text)#地鐵線路站點(diǎn)名
                    for k in j[1]:
                        time_1.append(k)#地鐵線路發(fā)車時(shí)間
                    for k in j[2]:
                        time_2.append(k)#地鐵線路收車時(shí)間
        if (time_1[0] != '--' and time_1[0] != '—'):
            route_info['startTime'] = startTime = time_1[0]# 篩除地鐵線路發(fā)車時(shí)間為空的數(shù)值
        else:
            route_info['startTime'] = time_1[1]#定義地鐵線路發(fā)車時(shí)間
        if (time_2[len(time_2) - 1] != '--' and time_2[len(time_2) - 1] != '—'):
            route_info['endTime'] = time_2[len(time_2) - 1]#篩除地鐵線路收車時(shí)間為空的數(shù)值
        else:
            route_info['endTime'] = time_2[len(time_2) - 2]#定義地鐵線路收車時(shí)間
        route_info['stations'] = stations# 線路字典stations值賦為站點(diǎn)名
        route_list.append(route_info)#將線路字典插入列表
    return route_list

其中，if語(yǔ)句（Part2的大部分代碼）都是用于對(duì)非常規(guī)線路數(shù)據(jù)進(jìn)行特殊處理，這也印證了“80%的代碼處理20%的情況”，常規(guī)線路數(shù)據(jù)只需前六行代碼即可爬取，最終返回線路列表rout_list。

整合數(shù)據(jù)

for i in get_urls():#遍歷城市地鐵線路網(wǎng)址
    for j in get_schedule(i):
        json_str = json.dumps(j, ensure_ascii=False)
#轉(zhuǎn)換數(shù)據(jù)格式為json格式，忽略格式轉(zhuǎn)換錯(cuò)誤進(jìn)行強(qiáng)制轉(zhuǎn)換
        print(json_str)

關(guān)于“Python如何爬取地鐵線路圖”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。