爬取链家在北京每个地区的房屋信息

提出要求

链接如下:

基本没有出现JSON数据的请求,所以非常简单

from fake_useragent import UserAgent
import requests
from lxml import etree
from math import ceil
import time
import random

def iskong(a):
    if len(a):
        return a
    else:
        return ''
n = 0
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
while True:

    n+=1
    url = 'https://bj.lianjia.com/ershoufang'
    response = requests.get(url,headers=header).content.decode('utf-8')

    tree = etree.HTML(response)
    list_a_href = tree.xpath('//div[@class="sub_nav section_sub_nav"]/a/@href')
    list_title = tree.xpath('//div[@class="sub_nav section_sub_nav"]/a/@title')
    for i in zip(list_a_href,list_title):
        if  'https://bj.lianjia.com' in i[0]:
            lianjie = i[0]
        else:
            lianjie = 'https://bj.lianjia.com/'+i[0]

        print(lianjie,i[1])

        #开始爬取每个地区的列表页
        print('正在爬取'+i[1])
        response = requests.get(lianjie,headers=header).content.decode('utf-8')
        tree =etree.HTML(response)
        num = tree.xpath("//h2//span/text()")
        print("此地区一共有",num[0],'套房子')

        page = ceil(int(num[0])/30)
        print("一共有",page,"页")
        for i in range(1,page+1):
            print("开始爬取第",i,"页")
            base_url = 'https://bj.lianjia.com/ershoufang/dongcheng/pg{}/'.format(i)
            response = requests.get(base_url,headers=header).content.decode('utf-8')
            tree = etree.HTML(response)
            house = tree.xpath('//div[@class="title"]/a/@href')
            for j in range(0,len(house)):
                try:
                    print("正在爬取第",i,"页的第",j+1,"套房")
                    response = requests.get(house[j],headers=header).content.decode('utf-8')

                    tree = etree.HTML(response)

                    print("正在获取具体房源信息")
                    time.sleep(random.choice([.2,.3,.4,.5,1]))
                    fjxx = tree.xpath('//div[@class="title"]/h1/text()')[0]
                    wsgs = tree.xpath('//div[@class="content"]/ul/li/text()')[0]
                    jiage = tree.xpath('//div[@class="price "]/span/text()')[0]
                    telphone = tree.xpath('//div[@class="phone"]//text()')
                    if len(telphone):
                        telphone = iskong(telphone[0])+iskong(telphone[1])+iskong(telphone[2])+iskong(telphone[3])
                    else:
                        telphone = ''


                    print(telphone)
                    print(fjxx)
                    a = (
                        "正在爬取第"+str(i)+ "页的第"+str(j + 1)+"套房"+'\n'+'\n'+
                        "房屋信息:"+fjxx+'\n'
                        +"卧室个数:"+wsgs[0]+'\n'
                          +'厅的个数:'+wsgs[2]+'\n'
                          +'卫生间个数:'+wsgs[6]+'\n'
                          +"房间价格:"+jiage+'万'+'\n'
                          +telphone+'\n'+'\n'
                          )
                    with open('lianjia.txt', 'a', encoding='utf-8') as fp:
                        fp.write(a)
                except:
                    pass





中途有可能出现爬取出错的问题,最主要的就是网络链接问题,和爬取频繁,我们可以尝试让它睡下。

我这里使用的TRY EXCEPT结构,只要出现错误,就会停止本次爬取,然后继续爬取下一个房源,由于链家网站的反爬技术非常的简单,基本没有,所以我们的爬取几乎没有遇到任何困难

【为什么学爬虫?】        1、爬虫入手容易,但是深入较难,如何写出高效率的爬虫,如何写出灵活性高可扩展的爬虫都是一项技术活。另外在爬虫过程中,经常容易遇到被反爬虫,比如字体反爬、IP识别、验证码等,如何层层攻克难点拿到想要的数据,这门课程,你都能学到!        2、如果是作为一个其他行业的开发者,比如app开发,web开发,学习爬虫能让你加强对技术的认知,能够开发出更加安全的软件和网站 【课程设计】 一个完整的爬虫程序,无论大小,总体来说可以分成三个步骤,分别是:网络请求:模拟浏览器的行为从网上抓取数据。数据解析:将请求下来的数据进行过滤,提取我们想要的数据。数据存储:将提取到的数据存储到硬盘或者内存中。比如用mysql数据库或者redis等。那么本课程也是按照这几个步骤循序渐进的进行讲解,带领学生完整的掌握每个步骤的技术。另外,因为爬虫的多样性,在爬取的过程中可能会发生被反爬、效率低下等。因此我们又增加了两个章节用来提高爬虫程序的灵活性,分别是:爬虫进阶:包括IP代理,多线程爬虫,图形验证码识别、JS加密解密、动态网页爬虫、字体反爬识别等。Scrapy和分布式爬虫:Scrapy框架、Scrapy-redis组件、分布式爬虫等。通过爬虫进阶的知识点我们能应付大量的反爬网站,而Scrapy框架作为一个专业的爬虫框架,使用他可以快速提高我们编写爬虫程序的效率和速度。另外如果一台机器不能满足你的需求,我们可以用分布式爬虫让多台机器帮助你快速爬取数据。 从基础爬虫到商业化应用爬虫,本套课程满足您的所有需求!【课程服务】 专属付费社群+定期答疑
评论
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