python爬取链家新房_Python爬虫项目--爬取链家热门城市新房

本次实战是利用爬虫爬取链家的新房(声明: 内容仅用于学习交流, 请勿用作商业用途)

环境

win8, python 3.7, pycharm

正文

1. 目标网站分析

通过分析, 找出相关url, 确定请求方式, 是否存在js加密等.

2. 新建scrapy项目

1. 在cmd命令行窗口中输入以下命令, 创建lianjia项目

scrapy startproject lianjia

2. 在cmd中进入lianjia文件中, 创建Spider文件

cd lianjia

scrapy genspider -t crawl xinfang lianjia.com

这次创建的是CrawlSpider类, 该类适用于批量爬取网页

3. 新建main.py文件, 用于执行scrapy项目文件

到现在, 项目就创建完成了, 下面开始编写项目

3 定义字段

在items.py文件中定义需要的爬取的字段信息

importscrapyfrom scrapy.item importItem, FieldclassLianjiaItem(scrapy.Item):#define the fields for your item here like:

#name = scrapy.Field()

city = Field() #城市名

name = Field() #楼盘名

type = Field() #物业类型

status = Field() #状态

region = Field() #所属区域

street = Field() #街道

address = Field() #具体地址

area = Field() #面积

average_price = Field() #平均价格

total_price = Field() #总价

tags = Field() #标签

4 爬虫主程序

在xinfang.py文件中编写我们的爬虫主程序

from scrapy.linkextractors importLinkExtractorfrom scrapy.spiders importCrawlSpider, Rulefrom lianjia.items importLianjiaItemclassXinfangSpider(CrawlSpider):

name= 'xinfang'allowed_domains= ['lianjia.com']

start_urls= ['https://bj.fang.lianjia.com/']#定义爬取的规则, LinkExtractor是用来提取链接(其中,allow指允许的链接格式, restrict_xpaths指链接处于网页结构中的位置), follow为True表示跟进提取出的链接, callback则是调用函数

rules =(

Rule(LinkExtractor(allow=r'\.fang.*com/$', restrict_xpaths='//div[@class="footer"]//div[@class="link-list"]/div[2]/dd'), follow=True),

Rule(LinkExtractor(allow=r'.*loupan/$', restrict_xpaths='//div[@class="xinfang-all"]/div/a'),callback= 'parse_item', follow=True)

)defparse_item(self, response):'''请求每页的url'''' counts = response.xpath('//div[@class="page-box"]/@data-total-count').extract_first()

pages= int(counts) // 10 + 2

#由于页数最多为100, 加条件判断

if pages > 100:

pages= 101

for page in range(1, pages):

url= response.url + "pg" +str(page)yield scrapy.Request(url, callback=self.parse_detail, dont_filter=False)defparse_detail(self, response):'''解析网页内容'''item=LianjiaItem()

item["title"] = response.xpath('//div[@class="resblock-have-find"]/span[3]/text()').extract_first()[1:]

infos= response.xpath('//ul[@class="resblock-list-wrapper"]/li')for info ininfos:

item["city"] = info.xpath('div/div[1]/a/text()').extract_first()

item["type"] = info.xpath('div/div[1]/span[1]/text()').extract_first()

item["status"] = info.xpath('div/div[1]/span[2]/text()').extract_first()

item["region"] = info.xpath('div/div[2]/span[1]/text()').extract_first()

item["street"] = info.xpath('div/div[2]/span[2]/text()').extract_first()

item["address"] = info.xpath('div/div[2]/a/text()').extract_first().replace(",", "")

item["area"] = info.xpath('div/div[@class="resblock-area"]/span/text()').extract_first()

item["average_price"] = "".join(info.xpath('div//div[@class="main-price"]//text()').extract()).replace(" ", "")

item["total_price"] = info.xpath('div//div[@class="second"]/text()').extract_first()

item["tags"] = ";".join(info.xpath('div//div[@class="resblock-tag"]//text()').extract()).replace(" ","").replace("\n", "")yield item

5 保存到Mysql数据库

在pipelines.py文件中编辑如下代码

importpymysqlclassLianjiaPipeline(object):def __init__(self):#创建数据库连接对象

self.db =pymysql.connect(

host= "localhost",

user= "root",

password= "1234",

port= 3306,

db= "lianjia",

charset= "utf8")

self.cursor=self.db.cursor()defprocess_item(self, item, spider):#存储到数据库中

sql = "INSERT INTO xinfang(city, name, type, status, region, street, address, area, average_price, total_price, tags) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)"data= (item["city"], item["name"], item["type"], item["status"], item["region"], item["street"], item["address"], item["area"], item["average_price"], item["total_price"], item["tags"])try:

self.cursor.execute(sql, data)

self.db.commit()except:

self.db.rollback()finally:return item

6 反反爬措施

由于是批量性爬取, 有必要采取些反反爬措施, 我这里采用的是免费的IP代理. 在middlewares.py中编辑如下代码:

from scrapy importsignalsimportloggingimportrequestsclassProxyMiddleware(object):def __init__(self, proxy):

self.logger= logging.getLogger(__name__)

self.proxy=proxy

@classmethoddeffrom_crawler(cls, crawler):'''获取随机代理的api接口'''settings=crawler.settingsreturncls(

proxy=settings.get('RANDOM_PROXY')

)defget_random_proxy(self):'''获取随机代理'''

try:

response=requests.get(self.proxy)if response.status_code == 200:

proxy=response.textreturnproxyexcept:returnFalsedefprocess_request(self, request, spider):'''使用随机生成的代理请求'''proxy=self.get_random_proxy()ifproxy:

url= 'http://' +str(proxy)

self.logger.debug('本次使用代理'+proxy)

request.meta['proxy'] = url

7  配置settings文件

importrandom

RANDOM_PROXY= "http://localhost:6686/random"BOT_NAME= 'lianjia'SPIDER_MODULES= ['lianjia.spiders']

NEWSPIDER_MODULE= 'lianjia.spiders'ROBOTSTXT_OBEY=False

DOWNLOAD_DELAY= random.random()*2COOKIES_ENABLED=False

DEFAULT_REQUEST_HEADERS={'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en',

}

DOWNLOADER_MIDDLEWARES={'lianjia.middlewares.ProxyMiddleware': 543}

ITEM_PIPELINES={'lianjia.pipelines.LianjiaPipeline': 300,

}

8 执行项目文件

在mian.py中执行如下命令

from scrapy importcmdline

cmdline.execute('scrapy crawl xinfang'.split())

scrapy项目即可开始执行, 最后爬取到1万4千多条数据.