一、如何爬取链家网页房源信息

由于个人安装的Python版本是2.7的,因此此后的相关代码也是该版本。

  • 爬取网页所有信息
    利用urllib2包来抓取网页的信息,先介绍下urllib2包的urlopen函数。
    urlopen:将网页所有信息存到一个object里,我们可通过读取这个object来获得网页信息。例如,我们使用它来获取百度首页信息如下。
import urllib2
f = urllib2.urlopen('http://www.baidu.com')
f.read(100)

通过上面的代码我们读取了百度首页的前100个字符:

'<!DOCTYPE html><!--STATUS OK--><html><head><meta http-equiv="content-type" content="text/html;charse'

有时可能会出现编码问题导致打开的是乱码,只需修改下编码格式即可:

f.read(100).decode('utf-8')

通过这种方法我们可以获得链家一个二手房首页的信息:

import urllib2
url = 'http://sz.lianjia.com/ershoufang/pg'
res = urllib2.urlopen(url)
content = res.read().decode('utf-8')

于是网页信息便存在了content之中。

  • 获取房源信息
    上面我们已经获得了一整个的网页信息,接下来需要获取网页中我们需要的有用信息,我们的目标是获取房源信息,方法是利用正则表达式来获取。关于正则表达式的知识可以参考一个网友的博文http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
    首先,我们查看下网页信息:
    这里写图片描述
    我们关注类似下面的这种信息
data-el="region">万科第五园一期</a> | 3室2厅 | 104.58平米 | 南 | 精装</div><
import urllib2
import re
url = 'http://sz.lianjia.com/ershoufang/pg/'
res = urllib2.urlopen(url)
content=res.read().decode('utf-8')
result = re.findall(r'>.{1,100}?</div></div><div class="flood">',content)
for i in result:
    print(i[0:-31].decode('utf-8'))

运行结果如下图:
运行结果图
这样就算是获取了我想要的信息了,不过这个信息中间有个我们不想要的符号,接下来还需要去掉这个符号(可见这种方法比较繁琐,效率也偏低)。
在这里我通过字符替换操作,用空字符来替换这个多余字符。
代码为:

import urllib2
import re
url = 'http://sz.lianjia.com/ershoufang/pg/'
res = urllib2.urlopen(url)
content=res.read().decode('utf-8')
result = re.findall(r'>.{1,100}?</div></div><div                            class="flood">',content)
for i in result:
    print(i[0:-31].replace('</a>','').decode('utf-8'))

这里写图片描述
上面的方法虽然帮我们获得了房源信息,但是方法还是有些繁琐,而且效率也并不高
我们利用上面的方法来爬取链家二手房100个页面房源信息,代码修改如下:

import urllib2
import time
import re
print(time.clock())
url = 'http://sz.lianjia.com/ershoufang/pg'
for x in range(101):
    finalUrl = url + str(x) + '/'
    res = urllib2.urlopen(finalUrl)
    content=res.read().decode('utf-8')
    result = re.findall(r'>.{1,100}?</div></div><div class="flood">',content)
    for i in result:
        print(i[0:-31].replace('</a>','').decode('utf-8'))
print(time.clock())

主要是测试一下运行时间,测试结果大概是350s左右(当然,主要还受网速的影响,而对代码本身来说消耗的大多数时间都在urlopen上),接下来,在下一篇中,将利用BeautifulSoup库来实现房源的获取。

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页