作為一個活躍在京津冀地區的開發者，要閑著沒事就看看`石家莊`這個國際化大都市的一些數據，這篇博客爬取了鏈家網的租房信息，爬取到的數據在後面的博客中可以作為一些數據分析的素材。 我們需要爬取的網址為：`https://sjz.lianjia.com/zufang/` ...
1. 寫在前面
作為一個活躍在京津冀地區的開發者，要閑著沒事就看看石家莊這個國際化大都市的一些數據，這篇博客爬取了鏈家網的租房信息，爬取到的數據在後面的博客中可以作為一些數據分析的素材。
我們需要爬取的網址為：https://sjz.lianjia.com/zufang/
2. 分析網址
首先確定一下，哪些數據是我們需要的
可以看到，黃色框就是我們需要的數據。
接下來，確定一下翻頁規律
https://sjz.lianjia.com/zufang/pg1/
https://sjz.lianjia.com/zufang/pg2/
https://sjz.lianjia.com/zufang/pg3/
https://sjz.lianjia.com/zufang/pg4/
https://sjz.lianjia.com/zufang/pg5/
...
https://sjz.lianjia.com/zufang/pg80/3. 解析網頁
有了分頁地址，就可以快速把鏈接拼接完畢，我們採用lxml模塊解析網頁源碼，獲取想要的數據。
本次編碼使用了一個新的模塊 fake_useragent ，這個模塊，可以隨機的去獲取一個UA（user-agent），模塊使用比較簡單，可以去百度百度就很多教程。
本篇博客主要使用的是調用一個隨機的UA
self._ua = UserAgent()
self._headers = {"User-Agent": self._ua.random} # 調用一個隨機的UA由於可以快速的把頁碼拼接出來，所以採用協程進行抓取，寫入csv文件採用的pandas模塊
from fake_useragent import UserAgent
from lxml import etree
import asyncio
import aiohttp
import pandas as pd
class LianjiaSpider(object):
def __init__(self):
self._ua = UserAgent()
self._headers = {"User-Agent": self._ua.random}
self._data = list()
async def get(self,url):
async with aiohttp.ClientSession() as session:
try:
async with session.get(url,headers=self._headers,timeout=3) as resp:
if resp.status==200:
result = await resp.text()
return result
except Exception as e:
print(e.args)
async def parse_html(self):
for page in range(1,77):
url = "https://sjz.lianjia.com/zufang/pg{}/".format(page)
print("正在爬取{}".format(url))
html = await self.get(url) # 獲取網頁內容
html = etree.HTML(html) # 解析網頁
self.parse_page(html) # 匹配我們想要的數據
print("正在存儲數據....")
######################### 數據寫入
data = pd.DataFrame(self._data)
data.to_csv("鏈家網租房數據.csv", encoding='utf_8_sig') # 寫入文件
######################### 數據寫入
def run(self):
loop = asyncio.get_event_loop()
tasks = [asyncio.ensure_future(self.parse_html())]
loop.run_until_complete(asyncio.wait(tasks))
if __name__ == '__main__':
l = LianjiaSpider()
l.run()
上述代碼中缺少一個解析網頁的函數，我們接下來把他補全
def parse_page(self,html):
info_panel = html.xpath("//div[@class='info-panel']")
for info in info_panel:
region = self.remove_space(info.xpath(".//span[@class='region']/text()"))
zone = self.remove_space(info.xpath(".//span[@class='zone']/span/text()"))
meters = self.remove_space(info.xpath(".//span[@class='meters']/text()"))
where = self.remove_space(info.xpath(".//div[@class='where']/span[4]/text()"))
con = info.xpath(".//div[@class='con']/text()")
floor = con[0] # 樓層
type = con[1] # 樣式
agent = info.xpath(".//div[@class='con']/a/text()")[0]
has = info.xpath(".//div[@class='left agency']//text()")
price = info.xpath(".//div[@class='price']/span/text()")[0]
price_pre = info.xpath(".//div[@class='price-pre']/text()")[0]
look_num = info.xpath(".//div[@class='square']//span[@class='num']/text()")[0]
one_data = {
"region":region,
"zone":zone,
"meters":meters,
"where":where,
"louceng":floor,
"type":type,
"xiaoshou":agent,
"has":has,
"price":price,
"price_pre":price_pre,
"num":look_num
}
self._data.append(one_data) # 添加數據不一會，數據就爬取的差不多了。
