Python爬虫学习笔记 一

以爬取一个租房网站的每一页的每一个租房信息为例。

分别使用集合和列表在csv文件中展示为例。

编程中需注意的是:

  • 有的时候会失败,这时候需要去刷新一下网页
  • soup.select()中的路径如果很长,可以去除一部分前半部分,路径过长反而会出些一些错误(具体为什么我也不知道)
  • soup.select()返回列表类型
  • csv文件保存为UTF-8格式会乱码,使用‘utf_8_sig’就行了
from bs4 import BeautifulSoup
import requests
import pandas as pd
import time

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
    '(KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
}

def judgement_sex(class_name):
    if class_name == ['member_boy_ico']:
        return '男'
    else:
        return '女'

def get_links(url):
    wb_data = requests.get(url, headers=headers)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    links = soup.select('#page_list > ul > li > a')
    # print(links)
    # page_list > ul > li:nth-child(1) > a
    # page_list > ul > li:nth-child(2) > a 此处归一化,把后面的child删除
    for link in links:
        href = link.get("href")
        # print(href)  # right
        get_info(href)

# 获取链接地址的信息
def get_info(url):
    wb_data = requests.get(url, headers=headers)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    tittles = soup.select('div.pho_info > h4 > em')
    # body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > h4 > em
    addresses = soup.select('div.pho_info > p > span')
    prices = soup.select('#pricePart > div.day_l > span')
    imgs = soup.select('#curBigImage')
    names = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')
    sexs = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > span')
    # for tittle,address,price,img,name,sex in zip(tittles,addresses,prices,imgs,names,sexs):
    #     data = {
    #         'tittle':tittle.get_text().strip(),  # strip()去除两侧多余空格
    #         'address':address.get_text().strip(),
    #         'price':price.get_text(),
    #         'img':img.get("src"),
    #         'name':name.get_text(),
    #         'sex':judgement_sex(sex.get('class'))
    #     }
    for tittle, address, price, img, name, sex in zip(tittles, addresses, prices, imgs, names, sexs):
        data.append([
            tittle.get_text().strip(),  # strip()去除两侧多余空格
            address.get_text().strip(),
            price.get_text(),
            img.get("src"),
            name.get_text(),
            judgement_sex(sex.get('class'))
        ])
    # print(data)


data = []
if __name__ == '__main__':
    urls = ['http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(number) for number in range(1, 5)]
    for single_url in urls:
        # print(single_url)
        get_links(single_url)
        time.sleep(2)  # 睡眠两秒,防止请求过快导致爬虫崩坏
    df = pd.DataFrame(data)
    df.columns = ['tittle', 'address', 'price', 'img', 'name', 'sex']
    df.to_csv('D:/机器学习实现/网络爬虫/output.csv', encoding='utf_8_sig', index=False)

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值