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