python爬虫实践——零基础快速入门（四）爬取小猪租房信息

上篇文章我们讲到python爬虫实践——零基础快速入门（三）爬取豆瓣电影

接下来我们爬取小猪短租租房信息。进入主页后选择深圳地区的位置。地址如下：
http://sz.xiaozhu.com/

一，标题爬取

按照惯例，我们先复制标题的xpath信息，多复制几个进行对比：

//*[@id="page_list"]/ul/li[1]/div[2]/div/a/span
//*[@id="page_list"]/ul/li[2]/div[2]/div/a/span
//*[@id="page_list"]/ul/li[3]/div[2]/div/a/span
//*[@id="page_list"]/ul/li[4]/div[2]/div/a/span
#.....               ......

对比后发现，标题只是 li[] 序号发生改变，于是我们很快写出标题的通用 xpath 信息

//*[@id="page_list"]/ul/li/div[2]/div/a/span

这是固定套路啊。于是我们先把整页的标题爬取下来：

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time

url3 = 'http://sz.xiaozhu.com/'
data3 = requests.get(url3).text
h = etree.HTML(data3)
titles = h.xpath('//*[@id="page_list"]/ul/li/div[2]/div/a/span/text()')
time.sleep(2)#注意，小猪在发爬虫方面做得比较好，防止被封IP就加个睡眠吧
for title in titles:
    print (title)

注意，注意，注意~~重要的事情要说三遍，我刚开始没有加睡眠，结果他把我IP给封了，封了，我滴妈，那我还怎么展示我的结果啊，特么都不让我访问了，呜呜，所以这里大家一定要注意，加个睡眠时间，并且这个睡眠时间稍微长一点，5s 以上应该就不会被封了吧，如果还被封，那那那~就太恶心了。

哎，说多了都是泪啊，大家一定好奇我的IP后来怎么样了？
没管，第二天解封了，哈哈哈~~~

结果展示：

毗邻海上世界 交通便利 无敌海景 赛车公寓
1号主人房｜1.8米床  前海园林式小区公寓
【红山站】近深圳北站龙星河传奇宜家风一房一厅
【平时订房租二送一】近木棉湾地铁站/整租两房
CBD艺术空间大套房 深圳最中心位置
复式书房+独立花园阳台|前海园林式小区
步行至会展中心地铁上盖阳光一居室
6特价 西乡地铁站/西乡天虹楼上汇一城 下左
罗湖文锦口岸黄贝岭新秀地铁口摩登两房整租
5号飘窗次卧|前海园林式小区公寓
福田CBD会展中心旁两房
高尔夫球场边的家-趣园私人酒店公寓
深圳湾科技园高新园地铁口万象天地极简两房一厅
4西乡地铁站/西乡天虹 楼上小区 汇一城
LifeHome生活家 深圳第一最美高端民宿
2西乡地铁站/西乡天虹 楼上小区 汇一城
会展中心/福田口岸 地铁口两房 出差居家首选
1独卫主卧 西乡地铁/西乡天虹楼上小区汇一城
#栖息地#罗湖口岸/东门老街地铁口/北欧一居
【超暖和暖气】Loft大房 近深圳北
东门老街～地铁口～【清新风格】小鹿屋
超低价 近罗湖口岸火车站 国贸东门温馨两居
蛇口中心水湾地铁90平两房一低密度电梯洋房
(特惠)宝安中心/地铁口/机场高层海景1居

OK，我们再选中房屋的整体信息。

整体xpath和标题xpath信息对比如下：

整体：  //*[@id="page_list"]/ul/li
标题：  //*[@id="page_list"]/ul/li/div[2]/div/a/span

发现了什么？对咯，就是标题在整体的div里面去找，于是可以修改代码如下：

home = h.xpath('//*[@id="page_list"]/ul/li')
for div in home:
    title = div.xpath('./div[2]/div/a/span/text()')[0]
    
    #先找出每个房屋的所有信息，再从中找出标题

OK，完善一下代码，并运行看看：

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time

url3 = 'http://sz.xiaozhu.com/'
data3 = requests.get(url3).text
h = etree.HTML(data3)
home = h.xpath('//*[@id="page_list"]/ul/li')
time.sleep(2)#注意，小猪在发爬虫方面做得比较好，防止被封IP就加个睡眠吧
for div in home:
    title = div.xpath('./div[2]/div/a/span/text()')[0]
    print ("租房标题:",title)

    

结果展示：

呵呵，IP被封了展示不出来，大家自己运行看看效果

二、其他信息爬取

基本的框架搭好了，接下来我们就往框架里填充其他信息。
对比其他元素的xpath

整体：//*[@id="page_list"]/ul/li
标题：//*[@id="page_list"]/ul/li[1]/div[2]/div/a/span
价格：//*[@id="page_list"]/ul/li[1]/div[2]/span[1]/i
描述：//*[@id="page_list"]/ul/li[1]/div[2]/div/em
图片：//*[@id="page_list"]/ul/li[1]/a/img

于是我们可以写出如下代码：

for div in home:
    title = div.xpath('./div[2]/div/a/span/text()')[0] #标题
    price = div.xpath('./div[2]/span[1]/i/text()')[0]#价格
    describle = div.xpath('./div[2]/div/em/text()')[0].strip()#描述
    photo = div.xpath('./a/img/@lazy_src/')[0] #图片

现在我们来爬取一下看看结果：

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time

url3 = 'http://sz.xiaozhu.com/'
data3 = requests.get(url3).text
h = etree.HTML(data3)
home = h.xpath('//*[@id="page_list"]/ul/li')
time.sleep(2)#注意，小猪在发爬虫方面做得比较好，防止被封IP就加个睡眠吧
for div in home:
    title = div.xpath('./div[2]/div/a/span/text()')[0] #标题
    price = div.xpath('./div[2]/span[1]/i/text()')[0]#价格
    describle = div.xpath('./div[2]/div/em/text()')[0].strip()#描述
    photo = div.xpath('./a/img/@lazy_src/')[0]
    print ("{}-->{}-->{}\n{}".format(title,price,describle,photo))

结果展示：

呵呵，IP被封了展示不出来，大家自己运行看看效果

三、爬取5页数据

看一下翻页以后的url变化：

第一页：http://sz.xiaozhu.com/search-duanzufang-p1-0/
第二页：http://sz.xiaozhu.com/search-duanzufang-p2-0/
第三页：http://sz.xiaozhu.com/search-duanzufang-p3-0/
第四页：http://sz.xiaozhu.com/search-duanzufang-p4-0/

可以发现url的变化非常规律，只是p后面的数字不一样而已，而且跟页码的序号一模一样，哈哈，这真是天助我也。

于是乎，加个循环我们就可以爬取多个页面的数据了。

for i in range(1,6):
	url3 = 'http://sz.xiaozhu.com/search-duanzufang-p{}-0/'.format(i)

来看一下爬取5个页面的代码运行结果：

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time

for i in range(1,6):
    url3 = 'http://sz.xiaozhu.com/search-duanzufang-p{}-0/'.format(i)
    data3 = requests.get(url3).text
    h = etree.HTML(data3)
    home = h.xpath('//*[@id="page_list"]/ul/li')
    time.sleep(2)#注意，小猪在发爬虫方面做得比较好，防止被封IP就加个睡眠吧
    for div in home:
        title = div.xpath('./div[2]/div/a/span/text()')[0] #标题
        price = div.xpath('./div[2]/span[1]/i/text()')[0]#价格
        describle = div.xpath('./div[2]/div/em/text()')[0].strip()#描述
        photo = div.xpath('./a/img/src/')[0]
        time.sleep(2)
        print ("{}-->{}-->{}\n{}".format(title,price,describle,photo))

结果展示：

龙华公园/深圳北站/清湖地铁旁温馨2居-->348-->整套出租/2室1厅/2张床/宜住4人
['../images/lazy_loadimage.png']
小清新复式 南山中心/深圳湾口岸/南油批发城-->488-->整套出租/2室1厅/2张床/宜住4人
['../images/lazy_loadimage.png']

OK，通过两个实例的练习，我相信大家已经差不多上手了，这些都是比较简单基础的东西，当然后面还会遇到比较复杂的，比如数据处理等，但是基本思路大致是相同的，大家一定要独立练习几次，多踩几次坑，不要怕遇到困难，不懂就多去练习和尝试，直到能独立写出代码为止。

其实爬虫最主要的还是细心，要多思考，相信你会有不同的收获。