打造自己的天气预报之（一）——获取天气信息

阅读更多

天气预报首先需要的就是天气信息，可以从中国天气网的Wap网站上获取，因为Wap网站页面简单，便于抓取内容。网址是：http://wap.weather.com.cn/wap/，默认是北京的天气预报，可以更换城市。某城市的天气预报对应的网址是http://wap.weather.com.cn/wap/weather/city_code.shtml，其中city_code是城市代码。以南京市为例，南京的城市代码是101190101，所以对应的天气预报网址就是http://wap.weather.com.cn/wap/weather/101190101.shtml。

为了抓取我们需要的天气的信息，首先需要获取天气预报页面源代码，这可以使用urllib模块的urlopen方法打开页面源文件并返回一个类文件对象，然后可以通过read方法读取其内容，也就是页面源代码。

 

from urllib import urlopen
src_code=urlopen('http://wap.weather.com.cn/wap/weather/101190101.shtml').read() #获取页面源代码

 

获取的页面源代码是HTML代码，截取其中我们需要的部分内容如下：

 

......
南京天气预报
2011-11-22 18时发布
......
11月23日星期三
 
 多云转晴6℃/12℃
 北风4-5级


......

我们需要的内容为（当然，是不含HTML标记符号的）：

1.城市名称：

2.发布时间：

2011-11-22 18时发布

3.日期信息：

11月23日星期三
.....

4.天气信息：

多云转晴6℃/12℃
 北风4-5级

提取这些信息有两种方法，一是利用强大的正则表达式，二是使用Beautiful Soup这个小模块。接下来让我们依次来实现这两种方法。

先说方法一，使用正则表达式。关于正则表达式，篇幅有限我就不多介绍了，只说如何实现我们的需求。使用正则表达式的关键是设计出合适的正则表达式。为了提取我们需要的4项内容，我们需要4个正则式。能够实现这4种匹配的正则式并不是唯一的，以下是我设计的4个正则式：

 

title_re = re.compile('')    #匹配标题的正则式
release_re = re.compile('
(.*)
')    #匹配发布时间的正则式
days_re = re.compile('
(.*)(.*)
 (.*)')    #匹配天气的正则式

 

 

re.compile(regex)返回一个正则表达式对象。使用该对象的findall(pattern,string,flag=0)方法可以返回所有匹配部分的列表。当正则表达式仅有一个子组时，findall()返回子组匹配的字符串组成的列表；如果表达式有多个子组，返回的结果是一个元组的列表，元组中每个元素都是一个子组的匹配内容。子组就是正则表达式中使用圆括号括起来的部分，在上面4个正则式中都是(.*)。

 

weather_title = title_re.findall(text)[0]    #获取标题
release_time  = release_re.findall(text)[0]    #获取发布时间

days = []
for day in days_re.findall(text):    #匹配日期，返回一个列表
    days.append(day)
    
day_weather = []
for temp,wind in weather_re.findall(text):    #匹配天气情况，返回一个列表
    day_weather.append(temp + '，' + wind)

 

 

至此，我们就提取出了我们需要的所有内容。下面看一下完整的程序。

 

 

#! /usr/bin/env python
#coding=utf-8

from urllib import urlopen
import re    #正则表达式模块
import sys    #这三行设置默认编码格式为UTF-8
reload(sys)    #不设置的话，使用不同的编译器可能
sys.setdefaultencoding('utf-8')    #会出现编码错误

#这个网址是江宁天气预报，可以根据实际情况修改
my_url = 'http://wap.weather.com.cn/wap/weather/101190101.shtml'
title_re = re.compile('')    #匹配标题的正则式
release_re = re.compile('
(.*)
')    #匹配发布时间的正则式
days_re = re.compile('
(.*)(.*)
 (.*)')    #匹配天气的正则式

text = urlopen(my_url).read()    #获取页面源代码
weather_title = title_re.findall(text)[0]    #获取标题
release_time  = release_re.findall(text)[0]    #获取发布时间

days = []
for day in days_re.findall(text):    #匹配日期，返回一个列表
    days.append(day)
    
day_weather = []
for temp,wind in weather_re.findall(text):    #匹配天气情况，返回一个列表
    day_weather.append(temp + '，' + wind)
    
print weather_title
print release_time
for i in range(5):
    print '%s' % days[i],day_weather[i]

 

 

使用正则表达式有几个缺点，一是正则表达式并不是完全可读的，二是正则表达式被HTML源代码约束，这就意味着网页结构中很小的改动就会导致程序中断。所以我们需要更好的实现方式，也就是我说的第二种方法，使用Beautiful Soup。

Beautiful Soup是个小模块，用来解析和检查HTML。关于Beautiful Soup的详细使用说明请移步http://www.crummy.com/software/BeautifulSoup/documentation.zh.html。这里只说如何实现我们的需求。

使用Beautiful Soup首先还是要获取页面源代码，然后由源代码生成soup，再使用soup的findAll方法来抽取各标签内容。下面直接放上完整程序，关键地方我都有注释。

 

# -*- coding: UTF-8 -*-
from BeautifulSoup import BeautifulSoup    # For processing HTML
from urllib import urlopen
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

class Weather_Info:
    """Weather class"""
    def __init__(self, site):
        self.site = site
        return
    
    def get_weather(self):
        """Get the weather information from the Internet"""
        text = urlopen(self.site).read()    #Get the source code of the site
        soup = BeautifulSoup(text)    #Get the soup

        weather_title = soup.title.string    #获取