前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
以下文章来源于啤酒就辣条 ，作者啤酒就辣条
一、网页分析
爬取贝壳网石家庄二手房信息，先打开链接
https://sjz.ke.com/ershoufang/。
不添加筛选条件，发现总共有42817套房子。我们点击第二页，再查看链接变成了https://sjz.ke.com/ershoufang/pg2/。所以，可发现/pg{i}，i就是页码。
所以最多可爬取3000套房产信息，距离上面给出的4万多差的还很远，于是尝试把pg{i}的那个i人为改变一下，点击回车请求一下。
返回房产信息数据都一样。都是第100页的信息，于是乎，得出结论。通过贝壳网web端，查看某一条件下的房产信息，最多可以查看3000套。
所以呢，我们增加一些条件，比如，满五唯一，2室的。请求之~
发现链接变成了https://sjz.ke.com/ershoufang/pg2mw1l2/。mw1l2这个玩意应该筛选条件。看到只有2399套，欧克，咱们就爬它了。
二、撸起袖子写代码
麻雀虽小五脏俱全，本爬虫设计三个部分，爬取，解析，储存。
爬取
爬取利用requests库，比python内置库urllib要好用很多。
import requests def get_a_page(url): result = requests.get(url) print(result.text) if __name__ == '__main__': for i in range(1, 101): get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')
for循环打印返回数据，发现没问题。其实i循环到81就好了，毕竟咱们知道了，只有不到2400套嘛。
解析
解析使用pyquery ，这个库使用起来类似于Jquery。完整API，https://pythonhosted.org/pyquery/api.html。还有一个解析库`bs4，下次再尝试。
在这里插入图片描述
发现读取如图所示ul里面一个div就可以拿到我们想要的数据。
import requests from pyquery import PyQuery as pq import json def get_a_page(url): result = requests.get(url) doc = pq(result.text) ul = doc('.sellListContent') divs = ul.children('.clear .info.clear').items() for div in divs: count += 1 title = div.children('.title a').text() place = div.children('.address .flood .positionInfo a').text() msg = div.children('.address .houseInfo').text() price = div.children('.address .priceInfo .totalPrice span').text() per_meter = div.children('.address .priceInfo .unitPrice').attr('data-price') dict = { 'title': title, 'place': place, 'msg': msg, 'price': price, 'per_meter': per_meter } print(str(count) + ':' + json.dumps(dict, ensure_ascii=False))
代码如上，pyquery 的children方法是查找子标签，find方法是找子孙标签，此处我们只需要找下一代就好。然后通过text找到标签所包含的文本。attr是获取属性内容的，因为那个per_meter从属性中获取比较简单，标签中的内容还包含了“元/平米”。
储存
本次我们直接储存到csv中，一种类似于excel的文件格式。利用的是pandas库。
完整代码如下：
import requests from pyquery import PyQuery as pq import json import pandas as pd columns = ['title', 'msg', 'price', 'per_meter'] # 爬取某网页 def get_a_page(url): result = requests.get(url) doc = pq(result.text) ul = doc('.sellListContent') divs = ul.children('.clear .info.clear').items() count = 0 titles = [] places = [] msgs = [] prices = [] per_meters = [] for div in divs: count += 1 title = div.children('.title a').text() place = div.children('.address .flood .positionInfo a').text() msg = div.children('.address .houseInfo').text() price = div.children('.address .priceInfo .totalPrice span').text() per_meter = div.children('.address .priceInfo .unitPrice').attr('data-price') dict = { 'title': title, 'place': place, 'msg': msg, 'price': price, 'per_meter': per_meter } titles.append(title) places.append(place) msgs.append(msg) prices.append(price) per_meters.append(per_meter) print(str(count) + ':' + json.dumps(dict, ensure_ascii=False)) datas={ 'title': titles, 'place': places, 'msg': msgs, 'price': prices, 'per_meter': per_meters } df = pd.DataFrame(data=datas, columns=columns) df.to_csv('sjz.csv', mode='a', index=False, header=False) if __name__ == '__main__': for i in range(1, 101): get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')
多进程
由于get_a_page函数要运行100次，有点小慢，所以利用多进程加快速度，这部分代码，请直接copy。
将主函数改成如下所示
from multiprocessing.pool import Pool if __name__ == '__main__': pool = Pool(5) group = ([f'https://sjz.ke.com/ershoufang/pg{x}mw1l2/'for x in range(1, 101)]) pool.map(get_a_page,group) pool.close() pool.join()
三、结束
查看下效果：
效果还可以。有人会说，为什么不把msg信息拆分一下，分别储存楼层、几室几厅、建筑年代等等多好。刚开始，我是那么做的，结果发现这个msg数据那几项不是必填项，有的建筑年代、楼层什么的房主不填写，索性就整个拿过来了。
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
