Python如何爬取地铁线路图

发布时间:2021-11-25 14:56:21 作者:小新
来源:亿速云 阅读:235

这篇文章将为大家详细讲解有关Python如何爬取地铁线路图,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。

BeautifulSoup(bs4)库介绍

BeautifulSoup:“美味的汤,绿色的浓汤”,是一个可以从HTML或XML文件中提取数据的Python库。BeautifulSoup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。

BeautifulSoup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,BeautifulSoup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。

可以直接使用pip安装:

pip install BeautifulSoup

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,如,lxml,XML,html5lib等,但是需要安装相应的库:

pip install lxml

如果我们不安装它,则Python会使用Python默认的解析器,lxml解析器更加强大,速度更快,推荐安装。

接下来我们以爬取8684网站上的深圳地铁线路数据为例来进行爬虫实战。

Python如何爬取地铁线路图

地铁线路网址的获取

首先导入库bs4、lxml、requests:

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

获取地铁线路网址

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')# 查找所有有关的节点
    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')

为创建BeautifulSoup对象,其意义是将发送网络请求返回的响应数据创建为soup对象,数据格式为lxml。

具体线路下线路数据的获取

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('内圈') == -1 and url['key'].find('外圈') == -1):#地铁线路名称既无内环也无外环
        route_info = {} #定义地铁内环字典
        route_info_wai = {}#定义地铁外环字典
        stations_nei = [] #定义地铁内环站台列表
        route_info['name'] = url['key'] + '内环'#定义内环线路字典name键的值
        route_info_wai['name'] = url['key'] + '外环'# 定义外环线路字典name键的值
        time_nei_1 = []#定义地铁内环发车时间列表
        time_nei_2 = []#定义地铁内环收班时间列表
        time_wai_1 = [] #定义地铁外环发车时间列表
        time_wai_2 = []# 定义地铁外环收班时间列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):
                    for k in j[0]:
                        stations_nei.append(k.text)#内外环站点名
                    for k in j[3]:
                        time_nei_2.append(k)#内环收车时间
                    for k in j[1]:
                        time_nei_1.append(k)#内环发车时间
                    for k in j[4]:
                        time_wai_2.append(k) #外环收车时间
                    for k in j[2]:
                        time_wai_1.append(k)#外环发车时间
        try:
            if (time_nei_1[0] != '--' and time_nei_1[0] != '—'):
                route_info['startTime'] = startTime = time_nei_1[0]#筛除地铁内环线路发车时间为空的数值
            else:
                route_info['startTime'] = time_nei_1[1]#定义地铁内环线路发车时间
            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]#筛除地铁内环线路收车时间为空的数值
            else:
                route_info['endTime'] = time_nei_2[len(time_nei_2) - 2]# 定义地铁内环线路收车时间
            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]# 筛除地铁外环线路发车时间为空的数值
            else:
                route_info_wai['startTime'] = time_wai_1[len(time_wai_1) - 2]# 定义地铁外环线路发车时间
            if (time_wai_2[0] != '--' and time_wai_2[0] != '—'):
                route_info_wai['endTime'] = startTime = time_wai_2[0]# 筛除地铁外环线路收车时间为空的数值
            else:
                route_info_wai['endTime'] = time_wai_2[1]# 定义地铁外环线路收车时间
        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'#若无法找到数据,则捕捉索引异常错误,并对运行时间赋默认值

        route_info['stations'] = stations_nei #内环线路字典stations值赋为内环站点名
        route_info_wai['stations'] = list(reversed(stations_nei))#反转列表值并强制转换数据类型为列表,作为外环站点名
        route_list.append(route_info)
        route_list.append(route_info_wai)#将内外环线路字典插入列表
    else:
    #地铁线路名称包含“内环”或“外环”
        route_info = {}
        stations = []
        route_info['name'] = url['key']# 定义线路字典name键的值
        time_1 = [] # 定义地铁发车时间列表
        time_2 = []#定义地铁收车时间列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):# 筛除表头相关空数据
                    for k in j[0]:
                        stations.append(k.text)#地铁线路站点名
                    for k in j[1]:
                        time_1.append(k)#地铁线路发车时间
                    for k in j[2]:
                        time_2.append(k)#地铁线路收车时间
        if (time_1[0] != '--' and time_1[0] != '—'):
            route_info['startTime'] = startTime = time_1[0]# 筛除地铁线路发车时间为空的数值
        else:
            route_info['startTime'] = time_1[1]#定义地铁线路发车时间
        if (time_2[len(time_2) - 1] != '--' and time_2[len(time_2) - 1] != '—'):
            route_info['endTime'] = time_2[len(time_2) - 1]#筛除地铁线路收车时间为空的数值
        else:
            route_info['endTime'] = time_2[len(time_2) - 2]#定义地铁线路收车时间
        route_info['stations'] = stations# 线路字典stations值赋为站点名
        route_list.append(route_info)#将线路字典插入列表
    return route_list

其中,if语句(Part2的大部分代码)都是用于对非常规线路数据进行特殊处理,这也印证了“80%的代码处理20%的情况”,常规线路数据只需前六行代码即可爬取,最终返回线路列表rout_list。

整合数据

for i in get_urls():#遍历城市地铁线路网址
    for j in get_schedule(i):
        json_str = json.dumps(j, ensure_ascii=False)
#转换数据格式为json格式,忽略格式转换错误进行强制转换
        print(json_str)

关于“Python如何爬取地铁线路图”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,使各位可以学到更多知识,如果觉得文章不错,请把它分享出去让更多的人看到。

推荐阅读:
  1. HTML5 Canvas如何实现交互式地铁线路图
  2. python如何爬取图片

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

python

上一篇:怎么用Python生成二维码图像

下一篇:如何进行url反向解析和别名及命名空间

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》