其他分享
首页 > 其他分享> > 爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据

爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据

作者:互联网

北京这么大,总有一套房子适合自己;

一、选择目标网站:

链[lian]家[jia]:https://bj.lianjia.com/
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
点击【租房】,进入租房首页:
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
这就是要爬取的首页了;

二、先爬取一页

1、分析页面
右击一个房源的链接,点击[检查],如图:
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
进入开发者模式,
此时可以看到 a 标签中的链接:
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
使用 xpath 就可以把链接提取出来,不过该链接是真实 url 的后半段,需要进行字符串拼接才能获取到真正的 url;
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
后面会在代码中体现;
爬取的信息暂且只对下图中标出的进行爬取:
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
包括 标题、时间、价格、房间格局、面积 ;

三、对全部页面进行爬取

1、分析页面 url
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
点击租房,找到其跳转到的网页:https://bj.lianjia.com/zufang/
对,这就是要爬取的首页:
爬虫+正向代理,30+行代码我爬取了[链家]3000+条数据
我们往下拉到最底端,点击下一页或者其他页,
第 1 页:https://bj.lianjia.com/zufang/pg1/#contentList
第 2 也:https://bj.lianjia.com/zufang/pg2/#contentList
第 3 页:https://bj.lianjia.com/zufang/pg3/#contentList
.
.
.
第 100 页:https://bj.lianjia.com/zufang/pg100/#contentList

通过观察 url 可以发现规律:每一页只有 pg 后面的数字在变,且与页数相同;
拼接字符串后使用一个循环即可对所有页面进行爬取;

四、源码

开发工具:pycharm
python版本:3.7.2

import requests
from lxml import etree

#编写了一个常用的方法,输入url即可返回text的文本;
def get_one_page(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
    }
    response = requests.get(url,headers=headers)
    response.encoding = 'utf-8'
    if response.status_code == 200:
        return response.text
    else:
        print("请求状态码 != 200,url错误.")
        return None

for number in range(0,101):     #利用range函数循环0-100,抓去第1页到100页。
    initialize_url = "https://bj.lianjia.com/zufang/pg" + str(number) + "/#contentList"     #字符串拼接出第1页到100页的url;

    html_result = get_one_page(initialize_url)  #获取URL的text文本
    html_xpath = etree.HTML(html_result)        #转换成xpath格式
    #抓去首页中的url(每页有30条房源信息)
    page_url = html_xpath.xpath("//div[@class='content w1150']/div[@class='content__article']//div[@class='content__list']/div/a[@class='content__list--item--aside']/@href")

    for i in page_url:      #循环每一条房源url
        true_url = "https://bj.lianjia.com" + i     #获取房源的详情页面url
        true_html = get_one_page(true_url)      #获取text文本
        true_xpath = etree.HTML(true_html)      #转换成xpath格式

        #抓取页面题目,即:房源详情页的标题
        title = true_xpath.xpath("//div[@class='content clear w1150']/p[@class='content__title']//text()")
        #抓取发布时间并对字符串进行分割处理
        release_date = true_xpath.xpath("//div[@class='content clear w1150']//div[@class='content__subtitle']//text()")
        release_date_result = str(release_date[2]).strip().split(":")[1]
        #抓取价格
        price = true_xpath.xpath("//div[@class='content clear w1150']//p[@class='content__aside--title']/span//text()")
        #抓取房间样式
        house_type = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[2]//text()")
        #抓取房间面积
        acreage = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[3]//text()")

        print(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage))

        #写入操作,将信息写入一个text文本中
        with open(r"E:\admin.txt",'a') as f:
            f.write(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage) + "\n")

最后将爬取的信息一边输出一边写入文本;当然也可以直接写入 JSON 文件或者直接存入数据库;
开心就好。

标签:xpath,__,url,30,链家,content,3000,str,class
来源: https://blog.51cto.com/13577495/2451679