如何使用Python爬取数据？看完这篇文章你就懂了！

Posted 2021-01-27 666fx

前段时间小编发了一篇有关于Python数据类型的文章，由于只是介绍了数据类型，我觉得远远不够，所以呢我现在写一篇用Python爬取数据的文章来补充。

 

首先我会介绍如何使用scrapy抓取二手房数据，然后我会将抓下来的数据进行了一些简单的分析和可视化。最后奉上数据，感兴趣的朋友可以深入分析

Github地址：https://github.com/HunterChao/Crawler

使用scrapy抓取二手房数据，如下所示：

文章目录结构

D:.
│ run.py
│ scrapy.cfg
│ 
└─LianJia
 │ items.py
 │ pipelines.py
 │ settings.py
 │ __init__.py
 │ 
 ├─spiders
 │ lianjia.py
 │ __init__.py
 

lianjia.py是程序的主要运行文件，run.py为程序启动文件。在pycharm下执行run.py即可启动程序。

项目分析：

 

链接的构造：我们通过抓取首页可以获得北京市各城区的名称（如：东城、西城、朝阳）及对应的拼音，进一步通过遍历每个城区对应的页码数（Pn）即可构造出各城区的二手房链接。

 

信息的抓取：在进入各个城区的二手房页面时，可匹配出每个房源的详细信息。这里需要注意的是，由于我想将各房源的经纬度信息获取以便可视化到地图上，需要找到每个房源的详情页链接，进入该链接，匹配出经纬度相关的字段。（resblockPosition）数据字段：item.py

# -*- coding: utf-8 -*-
import scrapy
class LianjiaItem(scrapy.Item):
 # 标签 小区 户型 面积 关注人数 观看人数 发布时间 价格 均价 详情链接 经纬度 城区
 title = scrapy.Field()
 community = scrapy.Field()
 model = scrapy.Field()
 area = scrapy.Field()
 focus_num = scrapy.Field()
 watch_num = scrapy.Field()
 time = scrapy.Field()
 price = scrapy.Field()
 average_price = scrapy.Field()
 link = scrapy.Field()
 Latitude = scrapy.Field()
 city = scrapy.Field()

主要运行函数：lianjia.py

# -*- coding: utf-8 -*-
import scrapy
import requests
import re
import time
from lxml import etree
from ..items import LianjiaItem
from scrapy_redis.spiders import RedisSpider
class LianjiaSpider(RedisSpider):
 name = ‘lianjiaspider‘
 redis_key = ‘lianjiaspider:urls‘
 start_urls = ‘http://bj.lianjia.com/ershoufang/‘
 def start_requests(self):
 user_agent = ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 
 Safari/537.36 SE 2.X MetaSr 1.0‘
 headers = {‘User-Agent‘: user_agent}
 yield scrapy.Request(url=self.start_urls, headers=headers, method=‘GET‘, callback=self.parse)
 def parse(self, response):
 user_agent = ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 
 Safari/537.36 SE 2.X MetaSr 1.0‘
 headers = {‘User-Agent‘: user_agent}
 lists = response.body.decode(‘utf-8‘)
 selector = etree.HTML(lists)
 area_list = selector.xpath(‘/html/body/div[3]/div[2]/dl[2]/dd/div[1]/div/a‘)
 for area in area_list:
 try:
 area_han = area.xpath(‘text()‘).pop() # 地点
 area_pin = area.xpath(‘@href‘).pop().split(‘/‘)[2] # 拼音
 area_url = ‘http://bj.lianjia.com/ershoufang/{}/‘.format(area_pin)
 print(area_url)
 yield scrapy.Request(url=area_url, headers=headers, callback=self.detail_url, meta={"id1":area_han,"id2":area_pin} )
 except Exception:
 pass
 def get_latitude(self,url): # 进入每个房源链接抓经纬度
 p = requests.get(url)
 contents = etree.HTML(p.content.decode(‘utf-8‘))
 latitude = contents.xpath(‘/ html / body / script[19]/text()‘).pop()
 time.sleep(3)
 regex = ‘‘‘resblockPosition(.+)‘‘‘
 items = re.search(regex, latitude)
 content = items.group()[:-1] # 经纬度
 longitude_latitude = content.split(‘:‘)[1]
 return longitude_latitude[1:-1]
 def detail_url(self,response):
 ‘http://bj.lianjia.com/ershoufang/dongcheng/pg2/‘
 for i in range(1,101):
 url = ‘http://bj.lianjia.com/ershoufang/{}/pg{}/‘.format(response.meta["id2"],str(1))
 time.sleep(2)
 try:
 contents = requests.get(url)
 contents = etree.HTML(contents.content.decode(‘utf-8‘))
 houselist = contents.xpath(‘/html/body/div[4]/div[1]/ul/li‘)
 for house in houselist:
 try:
 item = LianjiaItem()
 item[‘title‘] = house.xpath(‘div[1]/div[1]/a/text()‘).pop()
 item[‘community‘] = house.xpath(‘div[1]/div[2]/div/a/text()‘).pop()
 item[‘model‘] = house.xpath(‘div[1]/div[2]/div/text()‘).pop().split(‘|‘)[1]
 item[‘area‘] = house.xpath(‘div[1]/div[2]/div/text()‘).pop().split(‘|‘)[2]
 item[‘focus_num‘] = house.xpath(‘div[1]/div[4]/text()‘).pop().split(‘/‘)[0]
 item[‘watch_num‘] = house.xpath(‘div[1]/div[4]/text()‘).pop().split(‘/‘)[1]
 item[‘time‘] = house.xpath(‘div[1]/div[4]/text()‘).pop().split(‘/‘)[2]
 item[‘price‘] = house.xpath(‘div[1]/div[6]/div[1]/span/text()‘).pop()
 item[‘average_price‘] = house.xpath(‘div[1]/div[6]/div[2]/span/text()‘).pop()
 item[‘link‘] = house.xpath(‘div[1]/div[1]/a/@href‘).pop()
 item[‘city‘] = response.meta["id1"]
 self.url_detail = house.xpath(‘div[1]/div[1]/a/@href‘).pop()
 item[‘Latitude‘] = self.get_latitude(self.url_detail)
 except Exception:
 pass
 yield item
 except Exception:
 pass

抓取效果：

 

以上就是如何抓取数据了，大家是否成功将数据爬取下来了呢？假如还有不懂的地方或者需要源码，可以加群959997225即可获得！

北京二手房数据：https://pan.baidu.com/share/init?surl=nuCeVrV，密码：rfli

本文来自网络，如有侵权，请联系小编删除！