怎么解决pycharm爬取天气预报存入mysql总是重复存入数据？

96Jennifer

29日是爬取的最后一天数据，存完了还是从爬取当天25日又存了两遍同样的数据，这是怎么回事呀？
能不能从pycharm中写代码抑制它存入2遍或者多遍呀？后面附了代码，（还有有没有大神能教一个简单实用的不间断爬取的函数呀import time然后定义一个函数def round_time():...这种

import re
import time
import requests
import pymysql
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
import datetime
conn = pymysql.connect(host='localhost', user='root', passwd='789456', db='test', port=3306, charset='utf8')
cursor=conn.cursor()

url = 'https://tianqi.2345.com/'
html = requests.get(url).text
Pattern = re.compile('{"temp":(.*?)}')
datas = re.findall(Pattern, html)
# fd = open('weather_data.txt', 'w', encoding='utf8')
# fd.write('日期,时间,温度,天气,风向,风级,空气质量\n')

url = 'https://tianqi.2345.com/'
service=Service('C:\Program Files\Google\Chrome\Application\chromedriver_win32\chromedriver.exe')
browser=webdriver.Chrome(service=service)
browser.get(url)
soup=BeautifulSoup(browser.page_source,'lxml')
data_quality=soup.find('div','banner-right-canvas-kq-i clearfix').find_all('i')
print('列表信息')
print(data_quality)
for num in data_quality:
    quality=num.get_text()
    for line in datas:
        data = '"temp":' + line.encode('utf-8').decode('unicode_escape')
        tmp = re.findall('"temp":"(.*?)"', data)
        weather = re.findall('"weather":"(.*?)"', data)
        day = re.findall('"day":"(.*?)"', data)
        tm = re.findall('"time_origin_text":"(.*?)"', data)
        wind_direction = re.findall('"wind_direction":"(.*?)"', data)
        wind_level = re.findall('"wind_level":"(.*?)"', data)
        print(day[0], tm[0], tmp[0] + '°', weather[0], wind_direction[0], wind_level[0], quality[0])
        # fd.write('{},{},{},{},{},{}\n'.format(day[0], time[0], tmp[0]+'°', weather[0], wind_direction[0], wind_level[0]))
        # fd.close()
        sql = "INSERT INTO mytable(day,tm,temp,weather,wind,wscale,quality) VALUES ('%s','%s','%s','%s','%s','%s','%s')" % (
        day[0], tm[0], tmp[0] + '°', weather[0], wind_direction[0], wind_level[0], quality[0])
        #cursor.execute(sql)
        cursor.execute(sql)
conn.commit()
conn.close()

k1995

没细看代码，优化的地方很多，这里就不修改你原有的代码，直接说解决方案。
如果只是去重很简单，给day和tm设置唯一联合唯一索引

ALTER TABLE `mytable` ADD UNIQUE( `day`, `tm`);

然后改下插入语句，加上IGNORE关键字

sql = "INSERT IGNORE  INTO mytable(day,tm,temp,weather,wind,wscale,quality) VALUES ('%s','%s','%s','%s','%s','%s','%s')" % (
        day[0], tm[0], tmp[0] + '°', weather[0], wind_direction[0], wind_level[0], quality[0])

即已存在相同索引记录，不会报错，不更新原有记录

k1995

你代码写的太复杂了，完全不需要selenium，数据别人其实都结构化好了，在

var weather_data = {
...
}

这个变量里面。

下面代码是我解析数据的例子

import json
import requests
import re

# 获取 HTML
rsp = requests.get("https://tianqi.2345.com/")
rsp.raise_for_status()

# 正则匹配weather_data变量，获取结构化后数据
matched = re.search(r"daily:(.*)", rsp.text)
data = matched.group().replace("daily:", "")

# 解析JSON
data = json.loads(data)
for item in data:
    if 'hourly' in item:
        print("--------------------------")
        for i in item['hourly']:
            print(i['day'], i['time_origin_text'], i['aqi_info'], i['weather'])

输出采集结果

--------------------------
10月26日 0时 良 中雨
10月26日 1时 良 小雨
10月26日 2时 良 小雨
10月26日 3时 良 小雨
10月26日 4时 良 小雨
10月26日 5时 良 小雨
10月26日 6时 优 小雨
10月26日 7时 优 小雨
10月26日 8时 优 小雨
10月26日 9时 优 小雨
10月26日 10时 优 小雨
10月26日 11时 优 小雨
10月26日 12时 优 小雨
10月26日 13时 优 小雨
10月26日 14时 优 小雨
10月26日 15时 优 小雨
....

96Jennifer

@k1995 写selenium是因为我不会爬取那个空气质量，是动态网页不会爬

96Jennifer

@k1995 上面那个alter 在mysql里面报错

k1995

@k1995 上面那个alter 在mysql里面报错

报啥错？你给day和tm建一个唯一索引就行了

96Jennifer

@k1995 mysql会显示duplicate entry

还有一个问题请问这代码怎么设置一个简hui单的每天某一时间爬取呀，或者不停爬，不用手点击

k1995

还有一个问题请问这代码怎么设置一个简hui单的每天某一时间爬取呀，或者不停爬，不用手点击

定时任务了解下 crontab

96Jennifer

@k1995 好的，谢谢