简单爬虫 -- 以爬取NASA AOD数据（TIFF文件）为例
简单爬虫 -- 以爬取NASA AOD数据（TIFF文件）为例
目录：
- 网站分析
- 爬取下载链接
- 爬取TIFF图片
1、网站分析
主页面：https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MYDAL2_M_AER_OD
需求：下载不同年份、不同月份、AAOT和TAOT数据；
点击AAOT和TAOT和年份可知，链接：
AAOT：https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MYDAL2_M_AER_OD&year=2018
TAOT：https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MODAL2_M_AER_OD&year=2018
AAOT和TAOT的区分：改变MYD和MOD；
年份区分：改变“year=”后面的数字；
月份如何区分？
点击下载处，链接为：
https://neo.sci.gsfc.nasa.gov/servlet/RenderData?si=1744422&cs=rgb&format=FLOAT.TIFF&width=360&height=180
https://neo.sci.gsfc.nasa.gov/servlet/RenderData?si=1618332&cs=rgb&format=FLOAT.TIFF&width=360&height=180
可知在下载链接里面“si=”后面的数字是不知道的，查看源代码，检查上图中月份处，发现这个数字就在这里：这个就是月份区分
分析完毕，爬取思路：
- 根据月份检查元素获取图片下载链接中的“si”，构建所有的下载链接；
- 下载已爬取的下载链接中的TIFF图片
2、爬取下载链接
由以上的分析，代码如下，这里爬取的是2008-2011的AAOT和TAOT数据链接：
1 import requests
2 from bs4 import BeautifulSoup as bsp
3
4 def url_collect():
5 // 两个主链接
6 taot_main_url = 'https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MODAL2_M_AER_OD&year='
7 aaot_main_url = 'https://neo.sci.gsfc.nasa.gov/view.php?datasetId=MYDAL2_M_AER_OD&year='
8
9 // 需要下载的年份
10 years = ['2011', '2010', '2009', '2008']
11
12 // 构造确定AOT类别和年份页面链接
13 aot_url_list = []
14 for year in years:
15 aot_url_list.append(taot_main_url + year)
16 aot_url_list.append(aaot_main_url + year)
17
18 for aot_url in aot_url_list:
19 // 请求获取网页
20 try:
21 response = requests.get(aot_url)
22 response.raise_for_status()
23 print('aot_url connect succeed !')
24 except:
25 print('aot_url connect failed !')
26
27 // 分析网页，获取代表月份的“si=”后面的数字
28 response_text = response.text
29 soup = bsp(response_text, 'html.parser')
30 divs = soup.find_all('div',{"class":"slider-elem month"})
31
32 // 创建保存链接和命名形式的文件
33 url_txt = open('D:/home/research/lung_cancer/code/aot_url_all.txt', 'a')
34 url_name_txt = open('D:/home/research/lung_cancer/code/url_name.txt', 'a')
35
36 // 构造下载链接和命名形式，并保存到文件中
37 for div in divs:
38 print(div)
39 aot_url_txt = 'https://neo.sci.gsfc.nasa.gov/servlet/RenderData?si=' + div.a['onclick'][13:20] + '&cs=rgb&format=FLOAT.TIFF&width=360&height=180'
40 name = aot_url.split('?')[1][10:] + div.a['onclick'][27:-3] + '.TIFF'
41 url_txt.write(aot_url_txt + '\n')
42 url_name_txt.write(name + '\n')以下是爬取的结果：
Q：为什么要把命名形式也写入文件？
A：因为下载文件时，发现命名形式并不固定，有时候包含了年、月和AOT类别，有时候就是个简单的RenderData.TIFF，这样文件下载下来了也不知道是什么数据，所以命名很重要。
3、爬取TIFF图片
根据上一步爬取下来的链接，就可开始爬取图片了：
1 # code : utf-8
2
3 """
4 下载指定链接（在文本文件中）下的tiff图像
5 """
6
7 import requests
8
9 def download():
10 local_path = 'D:/home/research/lung_cancer/code/'
11
12 // 读取文本文件中已经下载好的链接
13 url_list = []
14 with open(local_path + 'aot_url_all.txt', 'r') as f:
15 for url in f.readlines():
16 url_list.append(url.strip())
17
18 // 读取命名形式
19 name_list = []
20 with open(local_path + 'url_name.txt', 'r') as f:
21 for name in f.readlines():
22 name_list.append(name.strip())
23
24 // 获取以上链接中的TIFF文件
25 for i in range(len(url_list)):
26 url = url_list[i]
27 name = name_list[i]
28
29 try:
30 response = requests.get(url)
31 response.raise_for_status()
32 print('main_url connect succeed !')
33 except:
34 print('main_url connect failed !')
35
36 // 将文件写入本地硬盘
37 with open('D:/home/research/lung_cancer/data/AOD_process/' + name, 'wb') as f:
38 f.write(response.content)
39 print(name + "write succeed!")爬取结果：
