python網路爬蟲輕鬆取得氣候資料(2)

延續上一篇的內容，這篇就不贅述，以中央氣象局CODiS平台實際操作網路爬取氣候資料。

操作步驟:

1.了解HTML網頁語法基本編寫概念

在網頁上按F12可以瀏覽網頁原始碼，html架構由以下的基本元素組成。 

²  網頁的所有內容會包含在< html> 和< /html> 標籤之間

²  網頁中重要元素或定義會放在< head>和< /head> 標簽之間，例如: 放置網頁標題的< title>標籤，就會放置在head裡面。

²  網頁中所呈現的內容(可視化的部份)，會放於< body> 和< /body> 標籤之間。其中標示文章標題的標籤< h1>以及標示文章內文的標籤< p>都會放置於body標籤下。

2.查看頁面，確認可行的爬蟲方式

以中央氣象局CODiS平台為例，可能可行的方式有2種，(1)透過圖1”CSV下載”的方式直接下載CSV檔案 (2)爬取該網頁報表上的數值，再由程式轉換成檔案。

方式1:

從html原始碼中找到對應”CSV下載”標示的編碼(如下圖1、2)。這邊的編碼還另外包含了CSS的編碼，CSS為在html主架構下細部內容之編寫。在< a id=”downloadCSV” herf=”#”>這段內容中，herf後面接超聯結的路徑，但是這個網頁編碼後面接的是#而不是個路徑，這個#代表為前面的id，而id的屬性則在html中另外編輯屬性套用。所以看要再回去查看# downloadCSV那部份的程式編寫。不過查看後發現如果要透過路徑連結批量下載CSV檔的途徑似乎不可行，這部份讀者也可以自己再去確認看看。

圖1

圖2

網站管理員為了避免資料這麼容易被取得，所以將程式撰寫較為複雜，增加取得難度的情況相當常見，所以大家在爬蟲的時候不要一些挫折就氣餒。

方式2:
方式1的方法既然不可行，那就採用方式2，爬取整個頁面的表格數據，再整理CSV成檔案。這邊會用到3個套件，開始執行前，尚未安裝requests、BeautifulSoup及csv者需要先安裝，在Window環境下，開起命令提示字元，輸入pip install requests、 pip install bs4以及pip install csv，安裝完成後，後續以方式2的方式進行說明。

3.採用方法2，嘗試取得html解碼後標簽字串的回應內容

網址:http://e-service.cwb.gov.tw/HistoryDataQuery/MonthDataController.do?command=viewMain&station=466910&stname=%25E9%259E%258D%25E9%2583%25A8&datepicker=2019-08

import requests
r=requests.get("http://e-service.cwb.gov.tw/HistoryDataQuery/MonthDataController.do?command=viewMain&station=466910&stname=%25E9%259E%258D%25E9%2583%25A8&datepicker=2019-08")
print(r.text)

圖3

執行結果(圖3)大家可以看到，requests的請求取得整個網頁的資訊，大家可以在往下看到編寫網頁表格的部份，裡面有當月每日的氣候資料，截取部份資料如圖4，只是這樣的形式，我們無法直接利用，必須再處理成表格的樣式。

圖4

4.取出網站表格資料，寫入CSV檔案

import requests
from bs4 import BeautifulSoup
import csv

url="http://e-service.cwb.gov.tw/HistoryDataQuery/MonthDataController.do?command=viewMain&station=466910&stname=%25E9%259E%258D%25E9%2583%25A8&datepicker=2019-08"  #網址
csvfile="test.csv" #開個csv檔案準備寫入
r=requests.get(url)
r.encoding="utf-8"
soup=BeautifulSoup(r.text,"lxml")
tag_table=soup.find(id="MyTable") #用BeautifulSoup找到table位置
rows=tag_table.findAll("tr") #找到每個

with open(csvfile,"w+",newline="",encoding="utf-8") as fp:
    writer=csv.writer(fp)
    for row in rows:
        rowList=[]
        for cell in row.findAll(["td","th"]):
            rowList.append(cell.get_text().replace("\n","").replace("\r",""))
        writer.writerow(rowList)

利用BeautifulSoup套件中的find()函數找到最一開始 的標籤(圖5)，再用findAll找出表格中每列 的標籤。再開啟csv檔，用迴圈的方式搭配findAll，讀取每一列有和細格的標籤，再用get_text()函數從cell取得數值，再利用append()函數將數值合併上去。最後再將每一列的數值寫到rowList中最後存到一開始創建的csv檔案中(test.csv)。

圖5

5.批次讀取
剛剛的執行只是完成一個頁面的爬蟲，再上一篇文章中，我們已經粗略估算過需要下載6萬個檔案。所以到這邊，不知道大家是否有注意到，網站上的網址有個規律性，不管換什麼樣的時間、什麼測站，網址會變動的只有標住顏色的部份。所以利用這個特性，寫迴圈置換會變動的部份，然後重覆執行剛剛那段程式，不管是要下載特定測站的資料或是限定特定期間的資料，透過網路爬蟲，都可以輕鬆取得。

http://e-service.cwb.gov.tw/HistoryDataQuery/MonthDataController.do?command=viewMain&station=466910&stname=%25E9%259E%258D%25E9%2583%25A8&datepicker=2019-08