一
原链接：用Python爬虫爬取链家网上的房源信息_shayebuhui_a的博客-CSDN博客_python爬取链家
打开链家网页：https://sh.lianjia.com/zufang/ ：用F12以页面中元素进行检查，点击左上角的小箭头，得到相关信息。
在这个页面可以通过将鼠标悬浮在相关信息上，可以得到其源代码
我们可以发现网页中包含浦东-川沙-园西小区的源代码为：
<a target="_blank" href="/zufang/pudong/">浦东</a>
<a href="/zufang/jinqiao/" target="_blank">川沙</a>
<a title="园西小区" href="/zufang/c5011000007323/" target="_blank">园西小区</a>
使用正则表达式获取网页信息的语句可以写为：
#区域
findplace1 = re.compile(r'<a href="/zufang/.*" target="_blank">(.*)</a>-<a href="/zufang/.* target="_blank">.*</a>-<a href="/zufang.*" target="_blank" title=".*">.*</a>') #创建正则表达式对象，表示规则（字符串的模式）
findplace2= re.compile(r'<a href="/zufang/.*" target="_blank">.*</a>-<a href="/zufang/.* target="_blank">(.*)</a>-<a href="/zufang.*" target="_blank" title=".*">.*</a>')
findplace3 = re.compile(r'<a href="/zufang/.*" target="_blank">.*</a>-<a href="/zufang/.* target="_blank">.*</a>-<a href="/zufang.*" target="_blank" title=".*">(.*)</a>')依照此方法可以得到所有想要的数据
二 解析数据
原文中解析使用的库为bs4 但bs4需要翻墙才能下，这里提供一个链接
python下载安装BeautifulSoup库 - 淼淼之森 - 博客园 (cnblogs.com) 可以用
解析数据是我们首先需要分配一块用于暂存数据的空间datalist ，然后就是对获取到的资源进行解析。这里我们再定义一个 data 用来存储解析出来的数据。我们解析的是HTML格式，所以我们使用的是html.parser，然后使用find_all函数查找符合的字符串，这里我们需要注意的就是要将我们查找的item条目转换成字符串格式，否则无法识别。使用re库通过正则表达式查找到指定的字符串后，运用data.append语句将字符串加入到data中。
三 储存数据
将网页爬的数据储存下来，接着把数据存入excel，定义函数，然后创建workbook对象和工作表，然后在工作表中创建前面爬取的条目，再向表中写入数据即可。
四 伪装
多次爬取时可能会被网站禁止，因此我们需要给我们的爬虫做一下伪装，比如加一个网页头，假装我们是网页。
综合代码如下：
import re # 正则表达式，进行文字匹配
from bs4 import BeautifulSoup # 网页解析，获取数据
import urllib.request, urllib.error # 制定URL，获取网页数据
import xlwt # 进行excel操作
# 区域
findplace1 = re.compile(
r'<a href="/zufang/.*" target="_blank">(.*)</a>-<a href="/zufang/.* target="_blank">.*</a>-<a href="/zufang.*" target="_blank" title=".*">.*</a>') # 创建正则表达式对象，表示规则（字符串的模式）
findplace2 = re.compile(
r'<a href="/zufang/.*" target="_blank">.*</a>-<a href="/zufang/.* target="_blank">(.*)</a>-<a href="/zufang.*" target="_blank" title=".*">.*</a>')
# 房子大小
finddaxiao = re.compile(r'<i>/</i>(.*)<i>/</i>.*<i>/</i>.*<span class="hide">', re.S) # re.s让换行符包含在字符中
# 房子朝向
findfangxiang = re.compile(r'<i>/</i>.*<i>/</i>(.*)<i>/</i>.*<span class="hide">', re.S)
# 房子规格
findguige = re.compile(r'<i>/</i>.*<i>/</i>.*<i>/</i>(.*)<span class="hide">', re.S)
# 楼层类型
findleixing = re.compile(
r'<p class="content__list--item--des">.*<i>/</i>(.*)</span>.*</p>.*<p class="content__list--item--bottom oneline">',
re.S)
# 是否靠近地铁
findsubway = re.compile(r'<i class="content__item__tag--is_subway_house">(.*)</i>')
# 是否是精装
finddecoration = re.compile(r'<i class="content__item__tag--decoration">(.*)</i>')
# 是否可以随时看房
findkey = re.compile(r'<i class="content__item__tag--is_key">(.*)</i>')
# 是否是新上的
findnew = re.compile(r'<i class="content__item__tag--is_new">(.*)</i>')
# 维护时间
findtime = re.compile(r'<span class="content__list--item--time oneline">(.*)</span>')
# 平均租金
findmoney = re.compile(r'<span class="content__list--item-price"><em>(.*)</em>')
baseurl = "https://sh.lianjia.com/zufang/"
def getData(baseurl): # 调用获取页面信息的函数
datalist = [] # 分配暂存的空间
for i in range(0, 100):
url = baseurl + str(i)
html = askURL(url) # 保存获取到的网页源码
# 逐一解析数据（边获取边解析）
soup = BeautifulSoup(html, "html.parser") # html.parser是html的解析器
for item in soup.find_all('div', class_="content__list--item"): # 查找符合要求的字符串，形成列表
# print(item) #测试：查看链家item全部信息
data = []
item = str(item) # 转换成字符串，否则无法识别
# 链家详情链接
place1 = re.findall(findplace1, item)[0] # re库用来通过正则表达式查找指定的字符串
place2 = re.findall(findplace2, item)[0]
place = place1 + '-' + place2
data.append(place) # 添加地址
daxiao = re.findall(finddaxiao, item)[0]
daxiao = daxiao.strip()
data.append(daxiao.replace("㎡", "")) # 添加房子大小(平米)并替换前后空格
fangxiang = re.findall(findfangxiang, item)[0]
data.append(fangxiang.replace(" ", "")) # 添加房子朝向并替换空格
guige = re.findall(findguige, item)[0]
data.append(guige.replace(" ", "")) # 添加房子户型并替换空格
leixing1 = re.findall(findleixing, item)[0]
leixing2 = leixing1.strip() # 去掉前后空格
leixing3 = leixing2.replace(" ", "") # 将空格替换掉
data.append(leixing3[0:3]) # 添加房子楼层类型并替换空格
data.append(leixing3[4:8].replace("层）", "")) # 添加房子层数并替换掉()
subway = re.findall(findsubway, item) # 可能写有靠近地铁
if (len(subway)) != 0:
subway = subway[0]
data.append(subway) # 添加近地铁
else:
data.append("不靠近地铁") # 添加不靠近地铁
decoration = re.findall(finddecoration, item)
if len(decoration) != 0:
decoration = decoration[0]
data.append(decoration) # 添加精装
else:
data.append("不是精装") # 添加不是精装
key = re.findall(findkey, item)
if len(key) != 0:
key = key[0]
data.append(key) # 添加随时看房
else:
data.append("不是随时看房") # 添加不是随时看房
new = re.findall(findnew, item)
if len(new) != 0:
new = new[0]
data.append(new) # 添加新上
else:
data.append("不是新上") # 添加不是新上
time = re.findall(findtime, item)[0]
data.append(time) # 添加维护时间
money = re.findall(findmoney, item)[0]
data.append(money) # 添加平均租金（元/月）
datalist.append(data) # 将data中的数据放入datalist中
return datalist
def askURL(url):
head = { # 模拟浏览器头部信息，向链家服务器发送消息
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"
}
# 用户代理，表示告诉链家服务器，我们是什么类型的机器，浏览器（本质上是爬虫）
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
# print(html) 测试用的
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
# 保存数据 输入区域和户型，输出该区域和户型的平均租金
def saveData(datalist, savepath):
print("save...")
book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象
sheet = book.add_sheet('链家租房信息', cell_overwrite_ok=True) # 创建工作表
col = ("区域", "房子大小", "房子朝向", "户型", "楼层类型", "楼层数", "是否靠近地铁", "是否是精装", "是否可以随时看房", "是否是新上的", "维护时间", "平均租金")
for i in range(0, 12):
sheet.write(0, i, col[i]) # 列名
for i in range(0, 3000):
print("第%d条" % (i + 1))
data = datalist[i]
for j in range(0, 12):
sheet.write(i + 1, j, data[j]) # 数据
book.save('shuju.xls')
def xxx():
datalist = getData(baseurl)
saveData(datalist, savepath='shuju.xls')
xxx()
运行结果：
在原链接中，代码里并没有调用函数，需要自己调用。
版权声明：本文为Backnoo原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。