【python爬虫专项（29）】链家二手房源数据采集2（深度信息采集）

链家二手房源数据深度采集

这部分的实践是基于上一个博客获得的数据，具体的参考网址如下：

爬虫逻辑 ：【提取mongo里面的具体网页的链接】–> 【设置动态ip】–> 【获取详细信息】

函数式编程：

函数1：url_extract(database,table,field) → 【数据网页url提取】函数
         database：数据库
         table：源数据mongo集合对象
         field：url字段

函数2：get_data(ui,d_h,ips,table) → 【数据采集及mongo入库】函数
         ui：数据信息网页
         d_h：user-agent信息
         ips：代理设置
         table：mongo集合对象

前期准备并封装第一个函数

上一个博客已经完成了分页中各个列表里面标题所对应的url（链接）采集，这里只需要加载一下即可

1. 导入相关库、代码分区和配置数据库

import re
import requests
import time
from bs4 import BeautifulSoup
import pymongo

if __name__ == '__main__':
	myclient = pymongo.MongoClient("mongodb://localhost:27017/")
    db = myclient['链家二手房_1']
    datatable = db['data_1']

2. 数据提取

dlst = datatable.find()
print(dlst)
print(dlst[0])

输出结果为：（dlst是一个可以迭代的对象，这里取出第一个元素示例）

3) 封装第一个函数

def url_extract(database,table,field): 
    '''【数据网页url提取】函数
    database：数据库
    table：源数据mongo集合对象
    field：url字段
    '''
    dlst = table.find()
    lst = []
    for item in dlst:
        lst.append(item[field])
    return lst
   
urllst = url_extract(db,datatable,'链接')[:10]
print(urllst)

输出结果为：（网页均可以打开）

[‘https://bj.lianjia.com/ershoufang/101106641912.html’, ‘https://bj.lianjia.com/ershoufang/101106120874.html’, ‘https://bj.lianjia.com/ershoufang/101106506136.html’, ‘https://bj.lianjia.com/ershoufang/101106369778.html’, ‘https://bj.lianjia.com/ershoufang/101106678537.html’, ‘https://bj.lianjia.com/ershoufang/101106148748.html’, ‘https://bj.lianjia.com/ershoufang/101106628849.html’, ‘https://bj.lianjia.com/ershoufang/101104451607.html’, ‘https://bj.lianjia.com/ershoufang/101104041998.html’, ‘https://bj.lianjia.com/ershoufang/101106586759.html’]

数据标签定位

由于前一个博文已经测试了网址可以进行正常的数据请求响应，这里就不再进行测试了，以某一页面为例，进行试错，直接确定采集的字段（标题可以直接通h1获取），如下

1. 房价信息对应的标签
   
2. 基础信息对应的标签
   
3. 交易信息对应的标签
   
4. 经纬度对应的标签
   这里可以通过网页里面的出现的位置，然后复制到坐标拾取器里面，查看经纬度，然后复制经度的前面的数字，在源代码（不是检查页面）中找到相应的位置
   
   在源代码页面选择查找，输入116（因为上面搜到的只是大致的地址，但是前面的经度是没有问题的），就会出现对应的位置信息
   

获取标签中的内容数据

这里还是以该页面为例，获取里面标签的对应内容，进行试错

urllst = url_extract(db,datatable,'链接')[:10]

u = urllst[0]
r = requests.get(u,headers = dic_headers, cookies = dic_cookies)
soup = BeautifulSoup(r.text, 'lxml')
dic = {}
dic['标题'] = soup.h1.text
price = soup.find('div', class_="price").text
dic['总价_万'] = re.search(r'(\d+)万', price).group(1)
dic['单价_元'] = re.search(r'(\d+)元', price).group(1)

base_info = soup.find('div', class_="base").find('ul').find_all('li')
for li in base_info:
    st = re.split(r'<.*?>',str(li))
    dic[st[2]] = st[3]
    
transaction_info = soup.find('div', class_="transaction").find('ul').find_all('li')
for li in transaction_info:
    st = re.split(r'<.*?>',str(li))
    dic[st[2]] = st[4].replace('\n','').replace(' ','')
    
loc = re.search(r"resblockPosition:'([\d.]+),([\d.]+)'",r.text)
dic['lng'] = loc.group(1)
dic['lat'] = loc.group(2)

print(dic)

输出的结果为：

封装第二个函数及输出可视化

关于base_info和transaction_info获取的过程有点难度

def get_data(ui,d_h,d_c,ips,table):
    ''' 【数据采集及mongo入库】函数
    ui：数据信息网页
    d_h：user-agent信息
    ips：代理设置
    table：mongo集合对象
    '''
    r = requests.get(ui,headers = d_h, cookies = d_c)
    soup = BeautifulSoup(r.text, 'lxml')
    dic = {}
    dic['标题'] = soup.h1.text
    price = soup.find('div', class_="price").text
    dic['总价_万'] = re.search(r'(\d+)万', price).group(1)
    dic['单价_元'] = re.search(r'(\d+)元', price).group(1)
    
    base_info = soup.find('div', class_="base").find('ul').find_all('li')
    for li in base_info:
        st = re.split(r'<.*?>',str(li))
        dic[st[2]] = st[3]
        
    transaction_info = soup.find('div', class_="transaction").find('ul').find_all('li')
    for li in transaction_info:
        st = re.split(r'<.*?>',str(li))
        dic[st[2]] = st[4].replace('\n','').replace(' ','')
        
    loc = re.search(r"resblockPosition:'([\d.]+),([\d.]+)'",r.text)
    dic['lng'] = loc.group(1)
    dic['lat'] = loc.group(2)
    table.insert_one(dic)

最后的可视化代码如下

urllst = url_extract(db,datatable,'链接')[:100]

errorlst = []
count = 1
for u in urllst:
    print("程序正在休息......")
    time.sleep(5)
    try:
        get_data(u,dic_headers,dic_cookies,'a', datatable2)
        print(f'成功采集{count}条数据')
        count += 1
    except:
        errorlst.append(u)
        print('数据采集失败，网址为：',u)

输出结果：

数据库中的数据