「爬蟲」從某網站爬取數據

一、緣 起

要買房，但是大西安現在可謂是一房難求，大家都爭先恐后地排隊交資料、搖號。截止到現在，筆者已經參與過6個樓盤的搖號/選房，但種種原因，依然沒買到合適的房子，無奈，一首 涼~ 涼~ 回盪在心~
。。。。。。
—— 來自《 定時從某網站爬取壓縮包 》

在上一篇文章 定時從某網站爬取壓縮包 的基礎上，這次實現的功能是從房管局信息登記網站爬取數據並寫入csv文件。

二、思 路

首先，使用Python urlopen方法獲取頁面源碼
然后，調用Python BeautifulSoup方法庫，實現HTML頁面數據靈活提取
最后，將提取出來的頁面數據寫入csv文件並打開

三、說 明

1. Python3.6 + BeautifulSoup庫 + .bat腳本
2. 主腳本為getRegisDatas.py、writeCsv.py為寫csv文件的腳本、openCsv.bat為打開csv文件的腳本，爬取的數據寫入regisData.csv文件中

四、實 現

先上兩張房管局網站

• getRegisData.py

1. 主腳本定義四個函數，分別為：get_soup()、get_page_url()、get_result_url()、get_regis_data()
2. 每次運行前會先刪除csv文件，再重新生成csv文件並寫入數據
3. 調用write_csv函數寫入數據到csv文件
4. 注意：每次運行腳本前確保關閉csv文件，否則csv文件被占用程序會報異常

from autoGetRegisDatas.writeCsv import write_csv
from bs4 import BeautifulSoup
from urllib import request
import os
import re


def get_soup(url):
    """
    將頁面用BeautifulSoup庫處理
    :return:
    """
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:59.0) Gecko/20100101 Firefox/59.0"
    }
    req = request.Request(url, headers=header)
    html = request.urlopen(req).read().decode('utf-8')
    soup = BeautifulSoup(html, 'html.parser')
    return soup


def get_page_url(url):
    """
    從登記結束頁面爬取所有分頁url，存入列表中
    :param url:
    :return:
    """
    page_url = []
    paging = get_soup(url).find_all(href=re.compile('page'))
    if paging is not []:
        for paging_i in range(len(paging)-1):
            page_url.append(url.split('xmgs')[0] + paging[paging_i]['href'])

    return page_url


def get_result_url(url):
    """
    從登記結束頁面爬取所有的結果公示url
    :return:
    """
    result_url = []
    result_list = get_soup(url).find_all('span', string='結果公示')
    for result_list_i in result_list:
        result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])

    if get_page_url(url) is not []:
        for page_i in get_page_url(url):
            result_list = get_soup(page_i).find_all('span', string='結果公示')
            for result_list_i in result_list:
                result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])

    return result_url


def get_regis_data(result_url):
    """
    從結果公示頁面獲取每個樓盤登記的數據
    :return:
    """
    for result_url_i in result_url:
        regis_data = []
        gs = get_soup(result_url_i)
        house_name = gs.find(string=re.compile('意向登記結果公示')).split(' 意向')[0].strip()
        regis_data.append(house_name)
        all_data = gs.find_all('font')
        for data_i in all_data:
            regis_data.append(data_i.string.strip())
        write_csv(regis_data)


os.remove('regisData.csv')
url1 = 'http://124.115.228.93/zfrgdjpt/xmgs.aspx?state=4'
url2 = 'http://124.115.228.93/zfrgdjpt/xmgsca.aspx?state=4'
lst = [url1, url2]
write_csv(['項目名', '房源數', '登記數', '資料核驗數', '核驗通過數', '剛需數', '普通數', '未通過數'])
for lst_i in lst:
    get_regis_data(get_result_url(lst_i))
os.system("openCsv.bat")
print('ok!')

• writeCsv.py
  用於給csv文件寫爬取的數據

import csv

def write_csv(row_list):
    """
    數據寫入csv文件
    :return:
    """
    with open('regisData.csv', 'a', newline='') as csvfile:
        writer = csv.writer(csvfile, dialect='excel')
        writer.writerow(row_list)

• openCsv.bat
  用於打開regisData.csv文件夾

start %~dp0\regisData.csv

五、最 后

Git地址：https://gitee.com/freedomlidi/autoGetRegisDatas.git

OK！