python爬取安居客二手房網站數據（轉）

之前沒課的時候寫過安居客的爬蟲，但那也是小打小鬧，那這次呢，

還是小打小鬧

 

哈哈，現在開始正式進行爬蟲書寫

首先，需要分析一下要爬取的網站的結構：

作為一名河南的學生，那就看看鄭州的二手房信息吧！

在上面這個頁面中，我們可以看到一條條的房源信息，從中我們發現了什么，發現了連鄭州的二手房都是這么的貴，作為即將畢業的學生狗惹不起啊惹不起

 

還是正文吧！！！

由上可以看到網頁一條條的房源信息，點擊進去后就會發現：

房源的詳細信息。

OK！那么我們要干嘛呢，就是把鄭州這個地區的二手房房源信息都能拿到手，可以保存到數據庫中，用來干嘛呢，作為一個地理人，還是有點用處的，這次就不說了

好，正式開始，首先我采用python3.6 中的requests，BeautifulSoup模塊來進行爬取頁面，

首先由requests模塊進行請求：

# 網頁的請求頭
header = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
}
# url鏈接
url = 'https://zhengzhou.anjuke.com/sale/'
response = requests.get(url, headers=header)
print(response.text)

執行后就會得到這個網站的html代碼了

通過分析可以得到每個房源都在class="list-item"的 li 標簽中，那么我們就可以根據BeautifulSoup包進行提取

# 通過BeautifulSoup進行解析出每個房源詳細列表並進行打印
soup = BeautifulSoup(response.text, 'html.parser')
result_li = soup.find_all('li', {'class': 'list-item'})
for i in result_li:
    print(i)

 通過打印就能進一步減少了code量，好，繼續提取

# 通過BeautifulSoup進行解析出每個房源詳細列表並進行打印
soup = BeautifulSoup(response.text, 'html.parser')
result_li = soup.find_all('li', {'class': 'list-item'})
# 進行循環遍歷其中的房源詳細列表
for i in result_li:
    # 由於BeautifulSoup傳入的必須為字符串，所以進行轉換
    page_url = str(i)
    soup = BeautifulSoup(page_url, 'html.parser')
    # 由於通過class解析的為一個列表，所以只需要第一個參數
    result_href = soup.find_all('a', {'class': 'houseListTitle'})[0]
    print(result_href.attrs['href'])

這樣，我們就能看到一個個的url了，是不是很喜歡

好了，按正常的邏輯就要進入頁面開始分析詳細頁面了，但是爬取完后如何進行下一頁的爬取呢

所以，我們就需要先分析該頁面是否有下一頁

同樣的方法就可以發現下一頁同樣是如此的簡單，那么咱們就可以還是按原來的配方原來的味道繼續

# 進行下一頁的爬取
result_next_page = soup.find_all('a', {'class': 'aNxt'})
if len(result_next_page) != 0:
    print(result_next_page[0].attrs['href'])
else:
    print('沒有下一頁了')

因為當存在下一頁的時候，網頁中就是一個a標簽，如果沒有的話，就會成為i標簽了，所以這樣的就行，因此，我們就能完善一下，將以上這些封裝為一個函數

import requests
from bs4 import BeautifulSoup

# 網頁的請求頭
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
}

def get_page(url):
    response = requests.get(url, headers=header)

    # 通過BeautifulSoup進行解析出每個房源詳細列表並進行打印
    soup = BeautifulSoup(response.text, 'html.parser')
    result_li = soup.find_all('li', {'class': 'list-item'})

    # 進行下一頁的爬取
    result_next_page = soup.find_all('a', {'class': 'aNxt'})
    if len(result_next_page) != 0:
        # 函數進行遞歸
        get_page(result_next_page[0].attrs['href'])
    else:
        print('沒有下一頁了')

    # 進行循環遍歷其中的房源詳細列表
    for i in result_li:
        # 由於BeautifulSoup傳入的必須為字符串，所以進行轉換
        page_url = str(i)
        soup = BeautifulSoup(page_url, 'html.parser')
        # 由於通過class解析的為一個列表，所以只需要第一個參數
        result_href = soup.find_all('a', {'class': 'houseListTitle'})[0]
        # 先不做分析，等一會進行詳細頁面函數完成后進行調用
        print(result_href.attrs['href'])


if __name__ == '__main__':
    # url鏈接
    url = 'https://zhengzhou.anjuke.com/sale/'
    # 頁面爬取函數調用
    get_page(url)

好了，那么咱們就開始詳細頁面的爬取了

哎，怎么動不動就要斷電了，大學的坑啊，先把結果附上，閑了在補充，

import requests
from bs4 import BeautifulSoup

# 網頁的請求頭
header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
}

def get_page(url):
    response = requests.get(url, headers=header)

    # 通過BeautifulSoup進行解析出每個房源詳細列表並進行打印
    soup_idex = BeautifulSoup(response.text, 'html.parser')
    result_li = soup_idex.find_all('li', {'class': 'list-item'})

    # 進行循環遍歷其中的房源詳細列表
    for i in result_li:
        # 由於BeautifulSoup傳入的必須為字符串，所以進行轉換
        page_url = str(i)
        soup = BeautifulSoup(page_url, 'html.parser')
        # 由於通過class解析的為一個列表，所以只需要第一個參數
        result_href = soup.find_all('a', {'class': 'houseListTitle'})[0]
        # 詳細頁面的函數調用
        get_page_detail(result_href.attrs['href'])


    # 進行下一頁的爬取
    result_next_page = soup_idex.find_all('a', {'class': 'aNxt'})
    if len(result_next_page) != 0:
        # 函數進行遞歸
        get_page(result_next_page[0].attrs['href'])
    else:
        print('沒有下一頁了')

# 進行字符串中空格，換行，tab鍵的替換及刪除字符串兩邊的空格刪除
def my_strip(s):
    return str(s).replace(" ", "").replace("\n", "").replace("\t", "").strip()
# 由於頻繁進行BeautifulSoup的使用，封裝一下，很雞肋
def my_Beautifulsoup(response):
    return BeautifulSoup(str(response), 'html.parser')



# 詳細頁面的爬取
def get_page_detail(url):
    response = requests.get(url, headers=header)
    if response.status_code == 200:
        soup = BeautifulSoup(response.text, 'html.parser')
        # 標題什么的一大堆，哈哈
        result_title = soup.find_all('h3', {'class': 'long-title'})[0]
        result_price = soup.find_all('span', {'class': 'light info-tag'})[0]
        result_house_1 = soup.find_all('div', {'class': 'first-col detail-col'})
        result_house_2 = soup.find_all('div', {'class': 'second-col detail-col'})
        result_house_3 = soup.find_all('div', {'class': 'third-col detail-col'})
        soup_1 = my_Beautifulsoup(result_house_1)
        soup_2 = my_Beautifulsoup(result_house_2)
        soup_3 = my_Beautifulsoup(result_house_3)
        result_house_tar_1 = soup_1.find_all('dd')
        result_house_tar_2 = soup_2.find_all('dd')
        result_house_tar_3 = soup_3.find_all('dd')
        '''
        文博公寓，省實驗中學，首付只需70萬，大三房，誠心賣，價可談 270萬
        宇泰文博公寓 金水－花園路－文博東路4號 2010年 普通住宅
        3室2廳2衛 140平方米 南北 中層(共32層)
        精裝修 19285元/m² 81.00萬
        '''
        print(my_strip(result_title.text), my_strip(result_price.text))
        print(my_strip(result_house_tar_1[0].text),
              my_strip(my_Beautifulsoup(result_house_tar_1[1]).find_all('p')[0].text),
              my_strip(result_house_tar_1[2].text), my_strip(result_house_tar_1[3].text))
        print(my_strip(result_house_tar_2[0].text), my_strip(result_house_tar_2[1].text),
              my_strip(result_house_tar_2[2].text), my_strip(result_house_tar_2[3].text))
        print(my_strip(result_house_tar_3[0].text), my_strip(result_house_tar_3[1].text),
              my_strip(result_house_tar_3[2].text))

if __name__ == '__main__':
    # url鏈接
    url = 'https://zhengzhou.anjuke.com/sale/'
    # 頁面爬取函數調用
    get_page(url)

由於自己邊寫博客，邊寫的代碼，所以get_page函數中進行了一些改變，就是下一頁的遞歸調用需要放在函數后面，以及進行封裝了兩個函數沒有介紹，

而且數據存儲到mysql也沒有寫，所以后期會繼續跟進的，thank you!!!

 

https://www.cnblogs.com/gkf0103/p/7689600.html