python使用代理爬取安居客二手房数据(一)

您所在的位置:网站首页 房产数据分析python python使用代理爬取安居客二手房数据(一)

python使用代理爬取安居客二手房数据(一)

2024-04-04 04:49| 来源: 网络整理| 查看: 265

一、背景

主要是想爬取湖北省武汉市江汉区的二手房数据:“title”, “house_type”, “area”, “decoration”, “price”,为了防止ip被封,用了kuaidaili进行爬取。

二、实战

鼠标放在标题上右键点击检查 查看其它内容同上 在这里插入图片描述 点击第二页出现右图 在这里插入图片描述 这样就得到了头部headers,放在请求项里去访问网址 在这里插入图片描述

import pandas as pd import requests from bs4 import BeautifulSoup import random # 构造url的request headers,伪装成正常用户 headers = { 'accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7', 'accept-encoding': 'gzip, deflate, br', 'accept-language': 'zh-CN,zh;q=0.9', 'cache-control': 'no-cache', 'cookie': 'aQQ_ajkguid=70C0288A-42CB-4C56-B8EF-8E90F8077A8C; sessid=13C76F04-9178-4EE8-B8B0-F00FE21F4F50; ajk-appVersion=; ctid=22; fzq_h=d23302afd92c82b304657a734e3950aa_1697613588983_b645e9292cff4c148c0e3fb2ff31662e_3746354997; id58=CrIej2Uvhxc/D8k8IRI2Ag==; twe=2; fzq_js_anjuke_ershoufang_pc=8e86fa86290dbac07d5de51dd3b9db13_1697615100824_23; obtain_by=1; xxzl_cid=817f908b661647889fa49debaab80d9c; xxzl_deviceid=lrdQ4FRXrfXyN2Qj/gRhBw2SQpTZ81igKeOBCkzlfzjPwEG8whpE1uKNvVqIOvXQ', 'host': 'wuhan.anjuke.com', 'pragma': 'no-cache', 'referer': 'https://wuhan.anjuke.com/sale/jianghana/p1/', 'sec-ch-ua': '"Google Chrome";v="117", "Not;A=Brand";v="8", "Chromium";v="117"', 'sec-ch-ua-mobile': '?0', 'sec-ch-ua-platform': "Windows", 'sec-fetch-dest': 'document', 'sec-fetch-mode': 'navigate', 'sec-fetch-site': 'same-origin', 'sec-fetch-user': '?1', 'upgrade-insecure-requests': '1', 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36' } # 构造url craw_url = "https://wuhan.anjuke.com/sale/{region}/p{page}/" region = "jianghana" # 配置API接口信息 # API接口,返回格式为json api_url = "" # 替换成自己的 # API接口返回的ip proxy_ip = requests.get(api_url).json()['data']['proxy_list'] print(proxy_ip) # 用户名密码认证(私密代理/独享代理) username = "" # 替换成自己的 password = "" # 替换成自己的 proxies = { "http": "http://%(user)s:%(pwd)s@%(proxy)s/" % {'user': username, 'pwd': password, 'proxy': random.choice(proxy_ip)}, "https": "http://%(user)s:%(pwd)s@%(proxy)s/" % {'user': username, 'pwd': password, 'proxy': random.choice(proxy_ip)} } # 创建一个空DataFrame,用于存储数据 house_df = pd.DataFrame(columns=["title", "house_type", "area", "decoration", "price"]) # 循环抓取不同页码的数据(这里只爬取了99页内容) for page in range(1, 100): print("开始爬取第 %s 页" % page) url = craw_url.format(region=region, page=page) response = requests.get(url, headers=headers, proxies=proxies, timeout=5) html = response.text soup = BeautifulSoup(html, "html.parser") # print(soup) house_list = soup.find_all('div', class_='property-content') # print(house_list) # 解析房源信息 for house in house_list: # 解析基本信息 title = house.find("h3", class_="property-content-title-name").text.strip() #house_type = house.find_all("p")[0].text.strip() house_data = house.find('p', class_='property-content-info-text property-content-info-attribute') layout_datas = house_data.find_all('span') datas_shi = layout_datas[0].get_text() + layout_datas[1].get_text() datas_ting = layout_datas[2].get_text() + layout_datas[3].get_text() datas_wei = layout_datas[4].get_text() + layout_datas[5].get_text() house_type = datas_shi+datas_ting+datas_wei area = house.find_all("p")[1].text.strip() decoration = house.find_all("p")[2].text.strip() # 解析价格信息 price_tag = house.find("div", class_="property-price") price = price_tag.find("span", class_='property-price-total-num').text.strip() if price_tag else "未知" # 将数据存入DataFrame house_df.loc[len(house_df)] = [title, house_type, area, decoration, price] # 输出数据到CSV house_df.to_csv("house.csv", index=False, encoding="utf_8_sig")

最后结果: 在这里插入图片描述



【本文地址】


今日新闻


推荐新闻


CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3