Python如何爬取地鐵線路圖

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

BeautifulSoup（bs4）庫介紹

BeautifulSoup：“美味的湯，綠色的濃湯”，是一個可以從HTML或XML文件中提取數據的Python庫。BeautifulSoup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。

BeautifulSoup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，BeautifulSoup就不能自動識別編碼方式了。然后，你僅僅需要說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標準庫中的HTML解析器,還支持一些第三方的解析器，如，lxml，XML，html5lib等，但是需要安裝相應的庫：

pip install lxml

如果我們不安裝它，則Python會使用Python默認的解析器，lxml解析器更加強大，速度更快，推薦安裝。

接下來我們以爬取8684網站上的深圳地鐵線路數據為例來進行爬蟲實戰。

地鐵線路網址的獲取

首先導入庫bs4、lxml、requests：

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

獲取地鐵線路網址

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')# 查找所有有關的節點
    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')

為創建BeautifulSoup對象，其意義是將發送網絡請求返回的響應數據創建為soup對象，數據格式為lxml。

具體線路下線路數據的獲取

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('內圈') == -1 and url['key'].find('外圈') == -1):#地鐵線路名稱既無內環也無外環
        route_info = {} #定義地鐵內環字典
        route_info_wai = {}#定義地鐵外環字典
        stations_nei = [] #定義地鐵內環站臺列表
        route_info['name'] = url['key'] + '內環'#定義內環線路字典name鍵的值
        route_info_wai['name'] = url['key'] + '外環'# 定義外環線路字典name鍵的值
        time_nei_1 = []#定義地鐵內環發車時間列表
        time_nei_2 = []#定義地鐵內環收班時間列表
        time_wai_1 = [] #定義地鐵外環發車時間列表
        time_wai_2 = []# 定義地鐵外環收班時間列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):
                    for k in j[0]:
                        stations_nei.append(k.text)#內外環站點名
                    for k in j[3]:
                        time_nei_2.append(k)#內環收車時間
                    for k in j[1]:
                        time_nei_1.append(k)#內環發車時間
                    for k in j[4]:
                        time_wai_2.append(k) #外環收車時間
                    for k in j[2]:
                        time_wai_1.append(k)#外環發車時間
        try:
            if (time_nei_1[0] != '--' and time_nei_1[0] != '—'):
                route_info['startTime'] = startTime = time_nei_1[0]#篩除地鐵內環線路發車時間為空的數值
            else:
                route_info['startTime'] = time_nei_1[1]#定義地鐵內環線路發車時間
            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]#篩除地鐵內環線路收車時間為空的數值
            else:
                route_info['endTime'] = time_nei_2[len(time_nei_2) - 2]# 定義地鐵內環線路收車時間
            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]# 篩除地鐵外環線路發車時間為空的數值
            else:
                route_info_wai['startTime'] = time_wai_1[len(time_wai_1) - 2]# 定義地鐵外環線路發車時間
            if (time_wai_2[0] != '--' and time_wai_2[0] != '—'):
                route_info_wai['endTime'] = startTime = time_wai_2[0]# 篩除地鐵外環線路收車時間為空的數值
            else:
                route_info_wai['endTime'] = time_wai_2[1]# 定義地鐵外環線路收車時間
        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'#若無法找到數據，則捕捉索引異常錯誤，并對運行時間賦默認值

        route_info['stations'] = stations_nei #內環線路字典stations值賦為內環站點名
        route_info_wai['stations'] = list(reversed(stations_nei))#反轉列表值并強制轉換數據類型為列表，作為外環站點名
        route_list.append(route_info)
        route_list.append(route_info_wai)#將內外環線路字典插入列表
    else:
    #地鐵線路名稱包含“內環”或“外環”
        route_info = {}
        stations = []
        route_info['name'] = url['key']# 定義線路字典name鍵的值
        time_1 = [] # 定義地鐵發車時間列表
        time_2 = []#定義地鐵收車時間列表
        for i in per_info:
            if (i != []):
                j = i.findAll('td')
                if (j != []):# 篩除表頭相關空數據
                    for k in j[0]:
                        stations.append(k.text)#地鐵線路站點名
                    for k in j[1]:
                        time_1.append(k)#地鐵線路發車時間
                    for k in j[2]:
                        time_2.append(k)#地鐵線路收車時間
        if (time_1[0] != '--' and time_1[0] != '—'):
            route_info['startTime'] = startTime = time_1[0]# 篩除地鐵線路發車時間為空的數值
        else:
            route_info['startTime'] = time_1[1]#定義地鐵線路發車時間
        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間為空的數值
        else:
            route_info['endTime'] = time_2[len(time_2) - 2]#定義地鐵線路收車時間
        route_info['stations'] = stations# 線路字典stations值賦為站點名
        route_list.append(route_info)#將線路字典插入列表
    return route_list

其中，if語句（Part2的大部分代碼）都是用于對非常規線路數據進行特殊處理，這也印證了“80%的代碼處理20%的情況”，常規線路數據只需前六行代碼即可爬取，最終返回線路列表rout_list。

整合數據

for i in get_urls():#遍歷城市地鐵線路網址
    for j in get_schedule(i):
        json_str = json.dumps(j, ensure_ascii=False)
#轉換數據格式為json格式，忽略格式轉換錯誤進行強制轉換
        print(json_str)

關于“Python如何爬取地鐵線路圖”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。