前言

本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理

以下文章來源于啤酒就辣條 ，作者啤酒就辣條

一、網頁分析

爬取貝殼網石家莊二手房信息，先打開鏈接

https://sjz.ke.com/ershoufang/。

不添加篩選條件，發現總共有42817套房子。我們點擊第二頁，再查看鏈接變成了https://sjz.ke.com/ershoufang/pg2/。所以，可發現/pg{i}，i就是頁碼。

所以最多可爬取3000套房產信息，距離上面給出的4萬多差的還很遠，于是嘗試把pg{i}的那個i人為改變一下，點擊回車請求一下。

返回房產信息數據都一樣。都是第100頁的信息，于是乎，得出結論。通過貝殼網web端，查看某一條件下的房產信息，最多可以查看3000套。

所以呢，我們增加一些條件，比如，滿五唯一，2室的。請求之~

發現鏈接變成了https://sjz.ke.com/ershoufang/pg2mw1l2/。mw1l2這個玩意應該篩選條件。看到只有2399套，歐克，咱們就爬它了。

二、擼起袖子寫代碼

麻雀雖小五臟俱全，本爬蟲設計三個部分，爬取，解析，儲存。

爬取

爬取利用requests庫，比python內置庫urllib要好用很多。

importrequestsdefget_a_page(url):

result=requests.get(url)print(result.text)if __name__ == '__main__':for i in range(1, 101):

get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')

for循環打印返回數據，發現沒問題。其實i循環到81就好了，畢竟咱們知道了，只有不到2400套嘛。

解析

解析使用pyquery?，這個庫使用起來類似于Jquery。完整API，https://pythonhosted.org/pyquery/api.html。還有一個解析庫`bs4，下次再嘗試。

在這里插入圖片描述

發現讀取如圖所示ul里面一個div就可以拿到我們想要的數據。

importrequestsfrom pyquery importPyQuery as pqimportjsondefget_a_page(url):

result=requests.get(url)

doc=pq(result.text)

ul= doc('.sellListContent')

divs= ul.children('.clear .info.clear').items()for div indivs:

count+= 1title= div.children('.title a').text()

place= div.children('.address .flood .positionInfo a').text()

msg= div.children('.address .houseInfo').text()

price= div.children('.address .priceInfo .totalPrice span').text()

per_meter= div.children('.address .priceInfo .unitPrice').attr('data-price')

dict={'title': title,'place': place,'msg': msg,'price': price,'per_meter': per_meter

}print(str(count) + ':' + json.dumps(dict, ensure_ascii=False))

代碼如上，pyquery 的children方法是查找子標簽，find方法是找子孫標簽，此處我們只需要找下一代就好。然后通過text找到標簽所包含的文本。attr是獲取屬性內容的，因為那個per_meter從屬性中獲取比較簡單，標簽中的內容還包含了“元/平米”。

儲存

本次我們直接儲存到csv中，一種類似于excel的文件格式。利用的是pandas庫。

完整代碼如下：

importrequestsfrom pyquery importPyQuery as pqimportjsonimportpandas as pd

columns= ['title', 'msg', 'price', 'per_meter']#爬取某網頁

defget_a_page(url):

result=requests.get(url)

doc=pq(result.text)

ul= doc('.sellListContent')

divs= ul.children('.clear .info.clear').items()

count=0

titles=[]

places=[]

msgs=[]

prices=[]

per_meters=[]for div indivs:

count+= 1title= div.children('.title a').text()

place= div.children('.address .flood .positionInfo a').text()

msg= div.children('.address .houseInfo').text()

price= div.children('.address .priceInfo .totalPrice span').text()

per_meter= div.children('.address .priceInfo .unitPrice').attr('data-price')

dict={'title': title,'place': place,'msg': msg,'price': price,'per_meter': per_meter

}

titles.append(title)

places.append(place)

msgs.append(msg)

prices.append(price)

per_meters.append(per_meter)print(str(count) + ':' + json.dumps(dict, ensure_ascii=False))

datas={'title': titles,'place': places,'msg': msgs,'price': prices,'per_meter': per_meters

}

df= pd.DataFrame(data=datas, columns=columns)

df.to_csv('sjz.csv', mode='a', index=False, header=False)if __name__ == '__main__':for i in range(1, 101):

get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')

多進程

由于get_a_page函數要運行100次，有點小慢，所以利用多進程加快速度，這部分代碼，請直接copy。

將主函數改成如下所示

from multiprocessing.pool importPoolif __name__ == '__main__':

pool= Pool(5)

group= ([f'https://sjz.ke.com/ershoufang/pg{x}mw1l2/'for x in range(1, 101)])

pool.map(get_a_page,group)

pool.close()

pool.join()

三、結束

查看下效果：

效果還可以。有人會說，為什么不把msg信息拆分一下，分別儲存樓層、幾室幾廳、建筑年代等等多好。剛開始，我是那么做的，結果發現這個msg數據那幾項不是必填項，有的建筑年代、樓層什么的房主不填寫，索性就整個拿過來了。

總結

以上是生活随笔為你收集整理的python 爬取贝壳网小区名称_Python爬虫实战：爬取贝壳网二手房40000条数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。