python爬取上海链家网二手房数据 |
您所在的位置：网站首页 › 上海链家网 二手房 › python爬取上海链家网二手房数据 |
python爬取上海链家网二手房数据
|
1、数据爬取说明
1.1 爬取目的
一个朋友在学习自考，作业是爬取数据进行数据分析，正好最近我在学习python，所以他委托我帮他完成这一工作 1.2使用模块requests进行网络请求、bs4进行数据解析、xlwt进行excel表格存储 网页链接：http://sh.lianjia.com/ershoufang/pudongxinqu 红色文字对应的是区名 # 指定爬虫所需的上海各个区域名称 citys = ['pudongxinqu','minhang','baoshan','xuhui','putuo','yangpu','changning','songjiang', 'jiading','huangpu','jinan','zhabei','hongkou','qingpu','fengxian','jinshan','chongming','shanghaizhoubian'] def getHtml(city): url = 'http://sh.lianjia.com/ershoufang/%s/' % city headers = { 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } request = requests.get(url=url,headers=headers) # 获取源码内容比request.text好，对编码方式优化好 respons = request.content # 使用bs4模块，对响应的链接源代码进行html解析，后面是python内嵌的解释器，也可以安装使用lxml解析器 soup = BeautifulSoup(respons,'html.parser') # 获取类名为c-pagination的div标签，是一个列表 page = soup.select('div .c-pagination')[0] # 如果标签a标签数大于1，说明多页，取出最后的一个页码，也就是总页数 if len(page.select('a')) > 1: alist = int(page.select('a')[-2].text) else:#否则直接取出总页数 alist = int(page.select('span')[0].text) saveData(city,url,alist+1) 2.2 获取每个区的总页数2.3 选中一页查看页面链接规律 具体链接地址：http://sh.lianjia.com/ershoufang/pudongxinqu/d2 请求页面具体数据，数据结构
我用的是python2.7进行爬取的，不确定在python3之后的运行有没有问题，建议python2版本进行尝试 #_*_coding:utf-8_*_ # 导入开发模块 import requests # 用于解析html数据的框架 from bs4 import BeautifulSoup # 用于操作excel的框架 import xlwt # 创建一个工作 book = xlwt.Workbook() # 向表格中增加一个sheet表，sheet1为表格名称 允许单元格覆盖 sheet = book.add_sheet('sheet1', cell_overwrite_ok=True) # 指定爬虫所需的上海各个区域名称 citys = ['pudongxinqu','minhang','baoshan','xuhui','putuo','yangpu','changning','songjiang', 'jiading','huangpu','jinan','zhabei','hongkou','qingpu','fengxian','jinshan','chongming','shanghaizhoubian'] def getHtml(city): url = 'http://sh.lianjia.com/ershoufang/%s/' % city headers = { 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } request = requests.get(url=url,headers=headers) # 获取源码内容比request.text好，对编码方式优化好 respons = request.content # 使用bs4模块，对响应的链接源代码进行html解析，后面是python内嵌的解释器，也可以安装使用lxml解析器 soup = BeautifulSoup(respons,'html.parser') # 获取类名为c-pagination的div标签，是一个列表 page = soup.select('div .c-pagination')[0] # 如果标签a标签数大于1，说明多页，取出最后的一个页码，也就是总页数 if len(page.select('a')) > 1: alist = int(page.select('a')[-2].text) else:#否则直接取出总页数 alist = int(page.select('span')[0].text) # 调用方法解析每页数据 saveData(city,url,alist+1) # for i in range(1,alist + 1): # urlStr = '%sd%s' % (url,i) # 调用方法解析每页数据，并且保存到表格中 def saveData(city,url,page): headers = { 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } for i in range(1,page): html = requests.get(url='%sd%s' % (url,i),headers=headers).content soup = BeautifulSoup(html,'html.parser') infos = soup.select('.js_fang_list')[0].select('li') for info in infos: # print '*'*50 des = info.find('a',class_="text link-hover-green js_triggerGray js_fanglist_title").text dd = info.find('div',class_='info-table') nameInfo = dd.find('a',class_='laisuzhou') name = nameInfo.text # 每套二手房的小区名称 fangL = dd.find('span').contents[-1].strip().split('|') room_type = fangL[0].strip() # 每套二手房的户型 size = fangL[1].strip() # 每套二手房的面积 if len(fangL[2].split('/')) == 2: region = fangL[2].split('/')[0].strip() # 每套二手房所属的区域 loucheng = fangL[2].split('/')[1].strip() # 每套二手房所在的楼层 else: region = '' # 每套二手房所属的区域 loucheng = fangL[2].strip() # 每套二手房所在的楼层 if len(fangL) != 4: chaoxiang = '*' else: chaoxiang = fangL[3].strip() # 每套二手房的朝向 timeStr = info.find('span',class_='info-col row2-text').contents[-1].strip().lstrip('|') builtdate = timeStr # 每套二手房的建筑时间 # 每套二手房的总价 price = info.find('span',class_='total-price strong-num').text.strip()+u'万' # 每套二手房的平方米售价 jun = info.find('span',class_='info-col price-item minor').text price_union = jun.strip() # 一定要声明使用全局的row变量，否则会报错，说定义前使用了该变量 global row # 把数据写入表中，row:行数 第二个参数：第几列 第三个参数：写入的内容 sheet.write(row,0,des) sheet.write(row,1,name) sheet.write(row,2,room_type) sheet.write(row,3,size) sheet.write(row,4,region) sheet.write(row,5,loucheng) sheet.write(row,6,chaoxiang) sheet.write(row,7,price) sheet.write(row,8,price_union) sheet.write(row,9,builtdate) # 每次写完一行，把行索引进行加一 row += 1 # with open('%s.csv' % city,'ab') as fd: # allStr = ','.join([name,room_type,size,region,loucheng,chaoxiang,price,price_union,builtdate])+'\n' # fd.write(allStr.encode('utf-8')) # 判断当前运行的脚本是否是该脚本，如果是则执行 # 如果有文件xxx继承该文件或导入该文件，那么运行xxx脚本的时候，这段代码将不会执行 if __name__ == '__main__': # getHtml('jinshan') row=0 for i in citys: getHtml(i) # 最后执行完了保存表格，参数为要保存的路径和文件名，如果不写路径则默然当前路径 book.save('lianjia-shanghai.xls') 4.说明由于作者不善于写博客，写的有点乱，望大家谅解，读者有什么不懂的可以留言问我，也可以像我提出意见和建议，在以后的博客写作中更加注意，谢谢你们的谅解，愿和大家共同学习
|
【本文地址】
今日新闻 |
推荐新闻 |