python 爬取贝壳网小区名称_利用python爬取贝壳网租房信息

最近准备换房子，在网站上寻找各种房源信息，看得眼花缭乱，于是想着能否将基本信息汇总起来便于查找，便用python将基本信息爬下来放到excel，这样一来就容易搜索了。

1. 利用lxml中的xpath提取信息

xpath是一门在 xml文档中查找信息的语言，xpath可用来在 xml 文档中对元素和属性进行遍历。对比正则表达式 re两者可以完成同样的工作，实现的功能也差不多，但xpath明显比re具有优势。具有如下优点：(1)可在xml中查找信息 ；(2)支持html的查找；(3)通过元素和属性进行导航

2. 利用xlsxwriter模块将信息保存至excel

xlsxwriter是操作excel的库，可以帮助我们高效快速的，大批量的，自动化的操作excel。它可以写数据，画图，完成大部分常用的excel操作。缺点是xlsxwriter 只能创建新文件，不可以修改原有文件，如果创建新文件时与原有文件同名，则会覆盖原有文件。

3. 爬取思路

观察发现贝壳网租房信息总共是100页，我们可以分每页获取到html代码，然后提取需要的信息保存至字典，将所有页面的信息汇总，最后将字典数据写入excel。

4. 爬虫源代码# @Author: Rainbowhhy

# @Date  : 19-6-25 下午6:35

import requests

import time

from lxml import etree

import xlsxwriter

def get_html(page):

"""获取网站html代码"""

url = "https://bj.zu.ke.com/zufang/pg{}/#contentList".format(page)

headers = {

'user-agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'

}

response = requests.get(url, headers=headers).text

return response

def parse_html(htmlcode, data):

"""解析html代码"""

content = etree.HTML(htmlcode)

results = content.xpath('///div[@class="content__article"]/div[1]/div')

for result in results[:]:

community = result.xpath('./div[1]/p[@class="content__list--item--title twoline"]/a/text()')[0].replace('\n',

'').strip().split()[

0]

address = "-".join(result.xpath('./div/p[@class="content__list--item--des"]/a/text()'))

landlord = result.xpath('./div/p[@class="content__list--item--brand oneline"]/text()')[0].replace('\n',

'').strip() if len(

result.xpath('./div/p[@class="content__list--item--brand oneline"]/text()')) > 0 else ""

postime = result.xpath('./div/p[@class="content__list--item--time oneline"]/text()')[0]

introduction = ",".join(result.xpath('./div/p[@class="content__list--item--bottom oneline"]/i/text()'))

price = result.xpath('./div/span/em/text()')[0]

description = "".join(result.xpath('./div/p[2]/text()')).replace('\n', '').replace('-', '').strip().split()

area = description[0]

count = len(description)

if count == 6:

orientation = description[1] + description[2] + description[3] + description[4]

elif count == 5:

orientation = description[1] + description[2] + description[3]

elif count == 4:

orientation = description[1] + description[2]

elif count == 3:

orientation = description[1]

else:

orientation = ""

pattern = description[-1]

floor = "".join(result.xpath('./div/p[2]/span/text()')[1].replace('\n', '').strip().split()).strip() if len(

result.xpath('./div/p[2]/span/text()')) > 1 else ""

date_time = time.strftime("%Y-%m-%d", time.localtime())

"""数据存入字典"""

data_dict = {

"community": community,

"address": address,

"landlord": landlord,

"postime": postime,

"introduction": introduction,

"price": '￥' + price,

"area": area,

"orientation": orientation,

"pattern": pattern,

"floor": floor,

"date_time": date_time

}

data.append(data_dict)

def excel_storage(response):

"""将字典数据写入excel"""

workbook = xlsxwriter.Workbook('./beikeHouse.xlsx')

worksheet = workbook.add_worksheet()

"""设置标题加粗"""

bold_format = workbook.add_format({'bold': True})

worksheet.write('A1', '小区名称', bold_format)

worksheet.write('B1', '租房地址', bold_format)

worksheet.write('C1', '房屋来源', bold_format)

worksheet.write('D1', '发布时间', bold_format)

worksheet.write('E1', '租房说明', bold_format)

worksheet.write('F1', '房屋价格', bold_format)

worksheet.write('G1', '房屋面积', bold_format)

worksheet.write('H1', '房屋朝向', bold_format)

worksheet.write('I1', '房屋户型', bold_format)

worksheet.write('J1', '房屋楼层', bold_format)

worksheet.write('K1', '查看日期', bold_format)

row = 1

col = 0

for item in response:

worksheet.write_string(row, col + 0, item['community'])

worksheet.write_string(row, col + 1, item['address'])

worksheet.write_string(row, col + 2, item['landlord'])

worksheet.write_string(row, col + 3, item['postime'])

worksheet.write_string(row, col + 4, item['introduction'])

worksheet.write_string(row, col + 5, item['price'])

worksheet.write_string(row, col + 6, item['area'])

worksheet.write_string(row, col + 7, item['orientation'])

worksheet.write_string(row, col + 8, item['pattern'])

worksheet.write_string(row, col + 9, item['floor'])

worksheet.write_string(row, col + 10, item['date_time'])

row += 1

workbook.close()

def main():

all_datas = []

"""网站总共100页，循环100次"""

for page in range(1, 100):

html = get_html(page)

parse_html(html, all_datas)

excel_storage(all_datas)

if __name__ == '__main__':

main()

5. 信息截图