Python实战—抓取58租房信息并存入Mysql数据库

Posted 2022-01-17 白玉梁

Python操作数据库，相对于其它语言，要简单不少！

mysql的安装以及建库建表操作就不说了，我这里本地创建了一个数据库py，以及表tb_py_test：

create table tb_py_test
(
    id      int auto_increment
        primary key,
    url     text         null,
    content varchar(255) null,
    price   double       null
);

接下来，安装py的mysql连接工具，pymysql：pip install pymysql；

安装成功后，书写连接程序：

pymysql.connect(host="localhost", user="root", password="root", database="py")

它返回的是数据库对象，然后通过数据库对象获取到游标cursor，再通过cursor执行sql语句，并获取结果：

import pymysql

db = pymysql.connect(host="localhost", user="root", password="root", database="py")
cursor = db.cursor()
try:
    sql = "select * from tb_py_test"
    cursor.execute(sql)
    results = cursor.fetchall()
    for result in results:
        print(result[0], result[1], result[2])
except Exception as e:
    print('fail:' + str(e))
    db.rollback()
db.close()

我们先手动向数据库中插入一条数据：

然后执行py：

证明数据库连接及操作没有问题！

那么接下来，本篇博客所要实现的功能，就是爬取58同城租房信息，价格<2000的前300条信息!

打开58首页，https://zz.58.com/分析：

我们需要获取到“租房按钮”并自动点击（当然，你也可以跳过这一步，直接获取租房连接）：

driver = webdriver.Firefox(executable_path=r'C:\\geckodriver.exe')
driver.get("https://zz.58.com")
zf = driver.find_element_by_xpath("//a[@tongji_tag='pc_home_dh_zf']")
zf.click()

注意find_element_by_xpath用法，"//a[@tongji_tag=‘pc_home_dh_zf’]"意思是查找出a标签中，属性名为tongji_tag，属性值为’pc_home_dh_zf’的element，自动点击后进入租房信息页：

继续分析，按需求，我们需要获取三个字段，租房信息的标题，链接，价钱：

这里，我们需要注意的是，租房信息是一个列表（ul>li），我们获取到的是一个集合，所以i我们要首先获取到ul，然后再获取的li表，最后循环遍历li，并从每个item中提取信息：

driver = webdriver.Firefox(executable_path=r'C:\\geckodriver.exe')
driver.get("https://zz.58.com")
zf = driver.find_element_by_xpath("//a[@tongji_tag='pc_home_dh_zf']")
zf.click()

time.sleep(2)

driver.switch_to.window(driver.window_handles[len(driver.window_handles) - 1])

ul = driver.find_element_by_css_selector('ul.house-list')
lis = ul.find_elements_by_tag_name('li')
for i in range(len(lis) - 1):
    price = lis[i].find_element_by_class_name("money").find_element_by_tag_name('b').text  # 价格
    if int(price) < 2000:
        des = lis[i].find_element_by_class_name("des")
        a = des.find_element_by_tag_name('a')
        title = a.text  # 标题
        url = a.get_attribute('href')  # 链接
        print(title, " 租金：" + price, " 链接：" + url)

但实际上，我们再仔细看以下li元素：

最后一条是页码，并不是我们要的数据，所以需要过滤掉这一条，我们可以在循环时直接-1即可！

driver.switch_to.window(driver.window_handles[len(driver.window_handles) - 1])

这句话的意思是，获取到新窗口的句柄，并切换到新窗口，否则，driver查找的还是旧窗口的元素！

打印结果：

是不是结束了？，当然没有，我们的的需求是获取300条，而上面的代码仅仅是获取了第一页的数据，所以我们需要在第一页数据获取完毕后，自动获取下一页数据，直到获取满足300条！

第一种方法： 分析每一页网页url链接：

你会发现，在切换下一页时，这个参数会跟随页码数变为pn2，pn3…，所以在当前页面数据提取完毕后，你可以直接修改url并转到下一页；

第二种方法： 模拟点击“下一页”按钮：

也是本篇博客所使用的方法：

nextBtn = driver.find_element_by_css_selector('div.pager').find_element_by_css_selector("a.next")
nextBtn.click()

当循环遍历每条数据时，再插入到数据库，即可：

sql = "insert into tb_py_test (url, content, price) VALUE ('','','')"
cursor.execute(sql)
db.commit()

完整py代码：

import time

from selenium import webdriver

import pymysql


class House:

    def __init__(self):
        self.title = ""
        self.url = ""
        self.price = 0.0


fp = webdriver.FirefoxProfile()
# 限制css加载
fp.set_preference("permissions.default.stylesheet", 2)
# 限制img加载
fp.set_preference("permissions.default.image", 2)
# 限制js加载
fp.set_preference("javascript.enabled", False)

driver = webdriver.Firefox(firefox_profile=fp, executable_path=r'C:\\geckodriver.exe')

driver.get("https://zz.58.com")
zf = driver.find_element_by_xpath("//a[@tongji_tag='pc_home_dh_zf']")
zf.click()

time.sleep(2)

driver.switch_to.window(driver.window_handles[len(driver.window_handles) - 1])

houses = []


def start():
    while True:
        if len(houses) >= 300:
            return
        getHouses()


def getHouses():
    try:
        ul = driver.find_element_by_css_selector('ul.house-list')
        lis = ul.find_elements_by_tag_name('li')
        for i in range(len(lis) - 1):
            house = House()
            try:
                price = lis[i].find_element_by_class_name("money").find_element_by_tag_name('b').text  # 价格
                if int(price) < 2000:
                    des = lis[i].find_element_by_class_name("des")
                    a = des.find_element_by_tag_name('a')
                    title = a.text  # 标题
                    url = a.get_attribute('href')  # 链接
                    # print(title, " 租金：" + price, " 链接：" + url)
                    house.title = title
                    house.url = url
                    house.price = price
                    addHouse(house)
                    if len(houses) >= 300:
                        return
            except Exception as e:
                print(str(e))
        nextBtn = driver.find_element_by_css_selector('div.pager').find_element_by_css_selector("a.next")
        nextBtn.click()
        time.sleep(3)
    except Exception as e:
        print(str(e))


def addHouse(house):
    houses.append(house)
    print(len(houses), house.price)
    try:
        # 先查询数据库中是否已经插入该条，是则过滤
        sql = "select url from tb_py_test where url='" + house.url + "'"
        cursor.execute(sql)
        url = cursor.fetchone()
        if url:
            return
        # 插入数据
        sql = "insert into tb_py_test (url, content, price) VALUE ('" + house.url + "','" + house.title + "',+'" + house.price + "')"
        cursor.execute(sql)
        db.commit()
        print('insert success')
    except Exception as e:
        print('insert fail:' + str(e))
        db.rollback()


db = pymysql.connect(host="localhost", user="root", password="root", database="py")
cursor = db.cursor()
start()
db.close()