Python使用爬虫爬取贵阳房价的方法详解
1 序言
1.1 生存压力带来的哲思
马尔萨斯最早发现,生物按照几何级数高度增殖的天赋能力,总是大于他们的实际生存能力或现实生存群量,依次推想,生物的种内竞争一定是极端残酷且无可避免。姑且不论马尔萨斯是否有必要给人类提出相应的警告,仅是这一现象中隐含的一系列基础问题,譬如,生物的超量繁殖能力的自然限度何在?种内竞争的幸存者依靠什么优势来取胜?以及这些所谓的优势群体如何将自己引向何方?等等,就足以引起任何一位有思想的人不能不怵然(恐惧)深思。
后来,达尔文在他的那部划时代的《物种起源》一书的绪论中,特意提及马尔萨斯学说的科学贡献和启迪作用,可见要成为那个马老教士的知音,并不是一般人够资格的!
1.2 买房&房奴
现在结婚,女方一般要求男方有房有车,其实也不能怪人家女孩子,在社会社会高度发展、动荡的今天,这个要求确实不高。奈何改革开放以来,阶级固化,吾辈难矣!先看看贵阳房价(链家新房:https://gy.fang.lianjia.com/)
不能被时代淘汰了,不能总唉声叹气的,白手起家的的大资本家寥寥无几,人家刘强东就是一个。偶像归偶像,回到现实中来吧,农村孩子,可能买了房,就可能是一辈子的房奴,回到农村,表面光鲜亮丽的被别人崇拜着,心里的苦和委屈只有自己知道。鉴于此,我个人不想做房奴车奴,快乐是自己的,生活是自己的,活出自己的精彩,不是活给别人看的,我想让自己命运的旖旎风景绚丽多姿,现阶段要做的是提升自己能力,不想做房奴!
心血澎湃,感叹完了,该回到今天的主题。何不把这些数据弄到一个文档表格里面分析分析,说干就干,就用爬虫爬取吧,然后写入文档。
2 爬虫
2.1 基本概念
网络爬虫(Crawler):又称网络蜘蛛,或者网络机器人(Robots). 它是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。换句话来说,它可以根据网页的链接地址自动获取网页内容。如果把互联网比做一个大蜘蛛网,它里面有许许多多的网页,网络蜘蛛可以获取所有网页的内容。
爬虫是一个模拟人类请求网站行为, 并批量下载网站资源的一种程序或自动化脚本。
- 爬虫:使用任何技术手段,批量获取网站信息的一种方式。关键在于批量。
- 反爬虫:使用任何技术手段,阻止别人批量获取自己网站信息的一种方式。关键也在于批量。
- 误伤:在反爬虫的过程中,错误的将普通用户识别为爬虫。误伤率高的反爬虫策略,效果再好也不能用。
- 拦截:成功地阻止爬虫访问。这里会有拦截率的概念。通常来说,拦截率越高的反爬虫策略,误伤的可能性就越高。因此需要做个权衡。
- 资源:机器成本与人力成本的总和。
2.2 爬虫的基本流程
(1)请求网页:通过 HTTP 库向目标站点发起请求,即发送一个 Request,请求可以包含额外的 headers 等
信息,等待服务器响应!
(2)获得相应内容:如果服务器能正常响应,会得到一个 Response,Response 的内容便是所要获取的页面内容,类型可能有 HTML,Json 字符串,二进制数据(如图片视频)等类型。
(3)解析内容:得到的内容可能是 HTML,可以用正则表达式、网页解析库进行解析。可能是 Json,可以
直接转为 Json 对象解析,可能是二进制数据,可以做保存或者进一步的处理。
(4)存储解析的数据:保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件
测试案例:代码 实现: 爬取贵阳房价的页面数据
#==========导 包============= import requests #=====step_1 : 指 定 url========= url = 'https://gy.fang.lianjia.com/ /' #=====step_2 : 发 起 请 求 :====== #使 用 get 方 法 发 起 get 请 求 , 该 方 法 会 返 回 一 个 响 应 对 象 。 参 数 url 表 示 请 求 对 应 的 url response = requests . get ( url = url ) #=====step_3 : 获 取 响 应 数 据 :=== #通 过 调 用 响 应 对 象 的 text 属 性 , 返 回 响 应 对 象 中 存 储 的 字 符 串 形 式 的 响 应 数 据 ( 页 面 源 码数 据 ) page_text = response . text #====step_4 : 持 久 化 存 储======= with open ('贵阳房价 . html ','w', encoding ='utf -8') as fp: fp.write ( page_text ) print (' 爬 取 数 据 完 毕 !!!')
爬 取 数 据 完 毕 !!! Process finished with exit code 0
3 爬取贵阳房价并写入表格
3.1 结果展示
3.2 代码实现(Python)
#==================导入相关库================================== from bs4 import BeautifulSoup import numpy as np import requests from requests.exceptions import RequestException import pandas as pd #=============读取网页========================================= def craw(url,page): try: headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36"} html1 = requests.request("GET", url, headers=headers,timeout=10) html1.encoding ='utf-8' # 加编码,重要!转换为字符串编码,read()得到的是byte格式的 html=html1.text return html except RequestException:#其他问题 print('第{0}读取网页失败'.format(page)) return None #==========解析网页并保存数据到表格====================== def pase_page(url,page): html=craw(url,page) html = str(html) if html is not None: soup = BeautifulSoup(html, 'lxml') "--先确定房子信息,即li标签列表--" houses=soup.select('.resblock-list-wrapper li')#房子列表 "--再确定每个房子的信息--" for j in range(len(houses)):#遍历每一个房子 house=houses[j] "名字" recommend_project=house.select('.resblock-name a.name') recommend_project=[i.get_text()for i in recommend_project]#名字 英华天元,斌鑫江南御府... recommend_project=' '.join(recommend_project) #print(recommend_project) "类型" house_type=house.select('.resblock-name span.resblock-type') house_type=[i.get_text()for i in house_type]#写字楼,底商... house_type=' '.join(house_type) #print(house_type) "销售状态" sale_status = house.select('.resblock-name span.sale-status') sale_status=[i.get_text()for i in sale_status]#在售,在售,售罄,在售... sale_status=' '.join(sale_status) #print(sale_status) "大地址" big_address=house.select('.resblock-location span') big_address=[i.get_text()for i in big_address]# big_address=''.join(big_address) #print(big_address) "具体地址" small_address=house.select('.resblock-location a') small_address=[i.get_text()for i in small_address]# small_address=' '.join(small_address) #print(small_address) "优势。" advantage=house.select('.resblock-tag span') advantage=[i.get_text()for i in advantage]# advantage=' '.join(advantage) #print(advantage) "均价:多少1平" average_price=house.select('.resblock-price .main-price .number') average_price=[i.get_text()for i in average_price]#16000,25000,价格待定.. average_price=' '.join(average_price) #print(average_price) "总价,单位万" total_price=house.select('.resblock-price .second') total_price=[i.get_text()for i in total_price]#总价400万/套,总价100万/套'... total_price=' '.join(total_price) #print(total_price) #=====================写入表格================================================= information = [recommend_project, house_type, sale_status,big_address,small_address,advantage,average_price,total_price] information = np.array(information) information = information.reshape(-1, 8) information = pd.DataFrame(information, columns=['名称', '类型', '销售状态','大地址','具体地址','优势','均价','总价']) information.to_csv('贵阳房价.csv', mode='a+', index=False, header=False) # mode='a+'追加写入 print('第{0}页存储数据成功'.format(page)) else: print('解析失败') #==================双线程===================================== import threading for i in range(1,100,2):#遍历网页1-101 url1="https://gy.fang.lianjia.com/loupan/pg"+str(i)+"/" url2 = "https://gy.fang.lianjia.com/loupan/pg" + str(i+1) + "/" t1 = threading.Thread(target=pase_page, args=(url1,i))#线程1 t2 = threading.Thread(target=pase_page, args=(url2,i+1))#线程2 t1.start() t2.start()v
总结
上一篇:学好python基本数据类型
栏 目:Python代码
下一篇:python循环神经网络RNN函数tf.nn.dynamic_rnn使用
本文地址:http://www.codeinn.net/misctech/217307.html