之前没课的时候写过安居客的爬虫，但那也是小打小闹，那这次呢，
还是小打小闹
哈哈，现在开始正式进行爬虫书写
首先，需要分析一下要爬取的网站的结构：
作为一名河南的学生，那就看看郑州的二手房信息吧！
在上面这个页面中，我们可以看到一条条的房源信息，从中我们发现了什么，发现了连郑州的二手房都是这么的贵，作为即将毕业的学生狗惹不起啊惹不起
还是正文吧！！！
由上可以看到网页一条条的房源信息，点击进去后就会发现：
房源的详细信息。
OK！那么我们要干嘛呢，就是把郑州这个地区的二手房房源信息都能拿到手，可以保存到数据库中，用来干嘛呢，作为一个地理人，还是有点用处的，这次就不说了
好，正式开始，首先我采用python3.6 中的requests，BeautifulSoup模块来进行爬取页面，
首先由requests模块进行请求：
# 网页的请求头
header = {
‘user-agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36‘
}
# url链接
url = ‘https://zhengzhou.anjuke.com/sale/‘
response = requests.get(url, headers=header)
print(response.text)
执行后就会得到这个网站的html代码了
通过分析可以得到每个房源都在class="list-item"的 li 标签中，那么我们就可以根据BeautifulSoup包进行提取
# 通过BeautifulSoup进行解析出每个房源详细列表并进行打印
soup = BeautifulSoup(response.text, ‘html.parser‘)
result_li = soup.find_all(‘li‘, {‘class‘: ‘list-item‘})
for i in result_li:
print(i)
通过打印就能进一步减少了code量，好，继续提取
# 通过BeautifulSoup进行解析出每个房源详细列表并进行打印
soup = BeautifulSoup(response.text, ‘html.parser‘)
result_li = soup.find_all(‘li‘, {‘class‘: ‘list-item‘})
# 进行循环遍历其中的房源详细列表
for i in result_li:
# 由于BeautifulSoup传入的必须为字符串，所以进行转换
page_url = str(i)
soup = BeautifulSoup(page_url, ‘html.parser‘)
# 由于通过class解析的为一个列表，所以只需要第一个参数
result_href = soup.find_all(‘a‘, {‘class‘: ‘houseListTitle‘})[0]
print(result_href.attrs[‘href‘])
这样，我们就能看到一个个的url了，是不是很喜欢
好了，按正常的逻辑就要进入页面开始分析详细页面了，但是爬取完后如何进行下一页的爬取呢
所以，我们就需要先分析该页面是否有下一页
同样的方法就可以发现下一页同样是如此的简单，那么咱们就可以还是按原来的配方原来的味道继续
# 进行下一页的爬取
result_next_page = soup.find_all(‘a‘, {‘class‘: ‘aNxt‘})
if len(result_next_page) != 0:
print(result_next_page[0].attrs[‘href‘])
else:
print(‘没有下一页了‘)
因为当存在下一页的时候，网页中就是一个a标签，如果没有的话，就会成为i标签了，所以这样的就行，因此，我们就能完善一下，将以上这些封装为一个函数
import requests
from bs4 import BeautifulSoup
# 网页的请求头
header = {
‘user-agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36‘
}
def get_page(url):
response = requests.get(url, headers=header)
# 通过BeautifulSoup进行解析出每个房源详细列表并进行打印
soup = BeautifulSoup(response.text, ‘html.parser‘)
result_li = soup.find_all(‘li‘, {‘class‘: ‘list-item‘})
# 进行下一页的爬取
result_next_page = soup.find_all(‘a‘, {‘class‘: ‘aNxt‘})
if len(result_next_page) != 0:
# 函数进行递归
get_page(result_next_page[0].attrs[‘href‘])
else:
print(‘没有下一页了‘)
# 进行循环遍历其中的房源详细列表
for i in result_li:
# 由于BeautifulSoup传入的必须为字符串，所以进行转换
page_url = str(i)
soup = BeautifulSoup(page_url, ‘html.parser‘)
# 由于通过class解析的为一个列表，所以只需要第一个参数
result_href = soup.find_all(‘a‘, {‘class‘: ‘houseListTitle‘})[0]
# 先不做分析，等一会进行详细页面函数完成后进行调用
print(result_href.attrs[‘href‘])
if __name__ == ‘__main__‘:
# url链接
url = ‘https://zhengzhou.anjuke.com/sale/‘
# 页面爬取函数调用
get_page(url)
好了，那么咱们就开始详细页面的爬取了
哎，怎么动不动就要断电了，大学的坑啊，先把结果附上，闲了在补充，
import requests
from bs4 import BeautifulSoup
# 网页的请求头
header = {
‘user-agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36‘
}
def get_page(url):
response = requests.get(url, headers=header)
# 通过BeautifulSoup进行解析出每个房源详细列表并进行打印
soup_idex = BeautifulSoup(response.text, ‘html.parser‘)
result_li = soup_idex.find_all(‘li‘, {‘class‘: ‘list-item‘})
# 进行循环遍历其中的房源详细列表
for i in result_li:
# 由于BeautifulSoup传入的必须为字符串，所以进行转换
page_url = str(i)
soup = BeautifulSoup(page_url, ‘html.parser‘)
# 由于通过class解析的为一个列表，所以只需要第一个参数
result_href = soup.find_all(‘a‘, {‘class‘: ‘houseListTitle‘})[0]
# 详细页面的函数调用
get_page_detail(result_href.attrs[‘href‘])
# 进行下一页的爬取
result_next_page = soup_idex.find_all(‘a‘, {‘class‘: ‘aNxt‘})
if len(result_next_page) != 0:
# 函数进行递归
get_page(result_next_page[0].attrs[‘href‘])
else:
print(‘没有下一页了‘)
# 进行字符串中空格，换行，tab键的替换及删除字符串两边的空格删除
def my_strip(s):
return str(s).replace(" ", "").replace("\n", "").replace("\t", "").strip()
# 由于频繁进行BeautifulSoup的使用，封装一下，很鸡肋
def my_Beautifulsoup(response):
return BeautifulSoup(str(response), ‘html.parser‘)
# 详细页面的爬取
def get_page_detail(url):
response = requests.get(url, headers=header)
if response.status_code == 200:
soup = BeautifulSoup(response.text, ‘html.parser‘)
# 标题什么的一大堆，哈哈
result_title = soup.find_all(‘h3‘, {‘class‘: ‘long-title‘})[0]
result_price = soup.find_all(‘span‘, {‘class‘: ‘light info-tag‘})[0]
result_house_1 = soup.find_all(‘div‘, {‘class‘: ‘first-col detail-col‘})
result_house_2 = soup.find_all(‘div‘, {‘class‘: ‘second-col detail-col‘})
result_house_3 = soup.find_all(‘div‘, {‘class‘: ‘third-col detail-col‘})
soup_1 = my_Beautifulsoup(result_house_1)
soup_2 = my_Beautifulsoup(result_house_2)
soup_3 = my_Beautifulsoup(result_house_3)
result_house_tar_1 = soup_1.find_all(‘dd‘)
result_house_tar_2 = soup_2.find_all(‘dd‘)
result_house_tar_3 = soup_3.find_all(‘dd‘)
‘‘‘
文博公寓，省实验中学，首付只需70万，大三房，诚心卖，价可谈 270万
宇泰文博公寓 金水－花园路－文博东路4号 2010年 普通住宅
3室2厅2卫 140平方米 南北 中层(共32层)
精装修 19285元/m² 81.00万
‘‘‘
print(my_strip(result_title.text), my_strip(result_price.text))
print(my_strip(result_house_tar_1[0].text),
my_strip(my_Beautifulsoup(result_house_tar_1[1]).find_all(‘p‘)[0].text),
my_strip(result_house_tar_1[2].text), my_strip(result_house_tar_1[3].text))
print(my_strip(result_house_tar_2[0].text), my_strip(result_house_tar_2[1].text),
my_strip(result_house_tar_2[2].text), my_strip(result_house_tar_2[3].text))
print(my_strip(result_house_tar_3[0].text), my_strip(result_house_tar_3[1].text),
my_strip(result_house_tar_3[2].text))
if __name__ == ‘__main__‘:
# url链接
url = ‘https://zhengzhou.anjuke.com/sale/‘
# 页面爬取函数调用
get_page(url)
由于自己边写博客，边写的代码，所以get_page函数中进行了一些改变，就是下一页的递归调用需要放在函数后面，以及进行封装了两个函数没有介绍，
而且数据存储到mysql也没有写，所以后期会继续跟进的，thank you!!!
https://www.cnblogs.com/gkf0103/p/7689600.html
原文地址：https://www.cnblogs.com/kenshinobiy/p/10752703.html
时间： 2024-10-25 21:38:49