本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理

爬取过程
一、指定爬取数据
二、设置请求头防止反爬
三、分析页面并且与网页源码进行比对
四、分析页面整理数据
五、保存到excel表中
六、使用jupyternotebook进行简单的数据分析

一、指定爬取数据

需求:
提取价格、面积、详细标题、名称、具体位置、房屋结构、装修情况

二、设置请求头

这里设置请求头依然使用最常见的 user-agent和cookie值作为反爬头，但是在实际操作中，由于爬取数据太快可能会导致ip被禁,一开始我也被封过一次。。。。。奇迹的是后来隔了一天打开之后就可以畅通无阻的爬取,但是最保险的方式还是设置一个代理ip防止被封免费的代理大家可以去快代理去尝试,土豪就除外了。

三、分析页面与源码比对

通过对源码的分析,发现页面对数字进行了一个加密。如图

接下来就要对字体进行一个解密
通过查看网页得知,网页上所有的数字都进行了加密,因此提取价格以及房屋结构首先都要对数字进行解密

第一步分析

字体加密一般都涉及到字体文件,字体文件后面一般为 woff和ttf，字体文件可以在网页源码中找到
在这里我们看到了base64说明这些字符串都是通过base64编码过,这些字符串就是字体映射的内容

第二步创建、打开文件,查找映射关系
1.创建文件代码

fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]

fontent = base64.b64decode(fontdata)

f = open("t5.woff", 'wb')

f.write(fontent)

f.close()`

fontdata为bs64编码过后的字符串

2.用TTFont打开文件并保存为xml格式

 fonts = TTFont('t5.woff')

 fonts.saveXML('test8.xml')

3.查看文件并找到索引关系

<cmap>

    <tableVersion version="0"/>

    <cmap_format_4 platformID="0" platEncID="3" language="0">

      <map code="0x9476" name="glyph00008"/><!-- CJK UNIFIED IDEOGRAPH-9476 -->

      <map code="0x958f" name="glyph00003"/><!-- CJK UNIFIED IDEOGRAPH-958F -->

      <map code="0x993c" name="glyph00002"/><!-- CJK UNIFIED IDEOGRAPH-993C -->

      <map code="0x9a4b" name="glyph00006"/><!-- CJK UNIFIED IDEOGRAPH-9A4B -->

      <map code="0x9e3a" name="glyph00009"/><!-- CJK UNIFIED IDEOGRAPH-9E3A -->

      <map code="0x9ea3" name="glyph00005"/><!-- CJK UNIFIED IDEOGRAPH-9EA3 -->

      <map code="0x9f64" name="glyph00010"/><!-- CJK UNIFIED IDEOGRAPH-9F64 -->

      <map code="0x9f92" name="glyph00001"/><!-- CJK UNIFIED IDEOGRAPH-9F92 -->

      <map code="0x9fa4" name="glyph00004"/><!-- CJK UNIFIED IDEOGRAPH-9FA4 -->

      <map code="0x9fa5" name="glyph00007"/><!-- CJK UNIFIED IDEOGRAPH-9FA5 -->

       <GlyphID id="0" name="glyph00000"/>

    <GlyphID id="1" name="glyph00001"/>

    <GlyphID id="2" name="glyph00002"/>

    <GlyphID id="3" name="glyph00003"/>

    <GlyphID id="4" name="glyph00004"/>

    <GlyphID id="5" name="glyph00005"/>

    <GlyphID id="6" name="glyph00006"/>

    <GlyphID id="7" name="glyph00007"/>

    <GlyphID id="8" name="glyph00008"/>

    <GlyphID id="9" name="glyph00009"/>

    <GlyphID id="10" name="glyph00010"/>

列如
&#x9fa4；
&#对应code码的0 code码为x9fa4的name为glyph00004，匹配name为glyph00004的id值为4，在去匹配网页对应的数字发现需要将id值减去1,因此在写代码时提取出name最后一个数字减去1就可以匹配到数字

字体反爬代码

fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]

    fontent = base64.b64decode(fontdata)

    f = open("t5.woff", 'wb')

    f.write(fontent)

    f.close()

    fonts = TTFont('t5.woff')

    fonts.saveXML('test8.xml')

    root = et.parse('test8.xml').getroot()

    con = root.find('cmap').find('cmap_format_4').findall('map')

    for i in con:

        names = i.attrib['name']

        code = i.attrib['code'].replace('0x', '&#x') + ';'

        c1 = re.findall(r'\d+', names)

        c2 = str(int(c1[0]) - 1)

        content = content.replace(code, c2)

    return content

四、分析页面整理数据

将字体解密后通过分析页面就可以提取出价格、房屋结构和面积的数据,通过xpath定位的方式定位到每一个爬取数据的位置

def lxmldata(data):

    datas =etree.HTML(data)

    list1 = []

    date=datas.xpath("//div[@class='list-content']//div[@class='zu-itemmod']")

    for i,dates in enumerate (date):

        dict = {}

        #价格

        price1 = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)

        price = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)[i]

        #面积

        size = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[2:len(price1)*3:3][i]

        #房屋结构

        fangjian1 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[0:len(price1)*3:3][i]

        fangjian2 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[1:len(price1)*3:3][i]

        #详细标题

        title=dates.xpath(".//div[@class='zu-info']//b/text()")

        #名称

        map = dates.xpath(".//address[@class='details-item']/a/text()")

        #具体位置

        local = dates.xpath(".//address[@class='details-item']/text()")

        local = [x.strip() for x in local]

        #装修情况

        zhuangxiu = dates.xpath(".//p[@class='details-item bot-tag']//span[@class='cls-1']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-2']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-3']/text()")

        dict['价格']=str(fanpa1(price,data))+'元/月'

        dict['面积']=str(fanpa1(size,data))+'平方米'

        dict["详细标题"]=title[0]

        dict['名称']=map[0]

        dict["具体位置"]=local[1]

        dict['房间结构']=fanpa1(fangjian1,data)+'室'+fanpa1(fangjian2,data)+'厅'

        if len(zhuangxiu)==3:

            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]+','+zhuangxiu[2]

        elif len(zhuangxiu)==2:

            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]

        else:

            dict["装修情况"] = zhuangxiu[0]

        list1.append(dict)

    return list1

第五步保存到excel表
设置7个字段分别为[‘价格’,‘面积’,‘详细标题’,‘名称’,‘具体位置’,‘房间结构’,‘装修情况’]
代码如下

def save(list):

    filename = "C:/Users/xxx/Desktop/安居客二十页.xls"

    book = xlwt.Workbook()

    sheet1=book.add_sheet("sheet1")

    header = ['价格','面积','详细标题','名称','具体位置','房间大小','装修情况']

    for i in range(len(header)):

        sheet1.write(0,i,header[i])

    j = 1

    for i in list:

        sheet1.write(j,0,i['价格'])

        sheet1.write(j,1,i['面积'])

        sheet1.write(j,2,i['详细标题'])

        sheet1.write(j,3,i['名称'])

        sheet1.write(j,4,i['具体位置'])

        sheet1.write(j,5,i['房间大小'])

        sheet1.write(j,6,i['装修情况'])

        j = j+1

    book.save(filename)

    print("写入成功")

list是传入的数据，list=lxmldata

总代码

import requests

from lxml import etree

import random

import time

from selenium import webdriver

import base64

import base64

import re

import xml.etree.ElementTree as et

from fontTools.ttLib import TTFont

from fontTools.ttLib import TTFont

import xlwt

#字体反扒

def fanpa1(content,html):

    fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]

    fontent = base64.b64decode(fontdata)

    f = open("t5.woff", 'wb')

    f.write(fontent)

    f.close()

    fonts = TTFont('t5.woff')

    fonts.saveXML('test8.xml')

    root = et.parse('test8.xml').getroot()

    con = root.find('cmap').find('cmap_format_4').findall('map')

    for i in con:

        names = i.attrib['name']

        code = i.attrib['code'].replace('0x', '&#x') + ';'

        c1 = re.findall(r'\d+', names)

        c2 = str(int(c1[0]) - 1)

        content = content.replace(code, c2)

    return content

#分析页面

def lxmldata(data):

    datas =etree.HTML(data)

    list1 = []

    date=datas.xpath("//div[@class='list-content']//div[@class='zu-itemmod']")

    for i,dates in enumerate (date):

        dict = {}

        #价格

        price1 = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)

        price = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)[i]

        #面积

        size = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[2:len(price1)*3:3][i]

        #房屋结构

        fangjian1 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[0:len(price1)*3:3][i]

        fangjian2 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[1:len(price1)*3:3][i]

        #详细标题

        title=dates.xpath(".//div[@class='zu-info']//b/text()")

        #名称

        map = dates.xpath(".//address[@class='details-item']/a/text()")

        #具体位置

        local = dates.xpath(".//address[@class='details-item']/text()")

        local = [x.strip() for x in local]

        #装修情况

        zhuangxiu = dates.xpath(".//p[@class='details-item bot-tag']//span[@class='cls-1']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-2']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-3']/text()")

        dict['价格']=str(fanpa1(price,data))+'元/月'

        dict['面积']=str(fanpa1(size,data))+'平方米'

        dict["详细标题"]=title[0]

        dict['名称']=map[0]

        dict["具体位置"]=local[1]

        dict['房间结构']=fanpa1(fangjian1,data)+'室'+fanpa1(fangjian2,data)+'厅'

        if len(zhuangxiu)==3:

            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]+','+zhuangxiu[2]

        elif len(zhuangxiu)==2:

            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]

        else:

            dict["装修情况"] = zhuangxiu[0]

        list1.append(dict)

    return list1

def save(list):

    filename = "C:/Users/孟尚宇/Desktop/安居客二十页.xls"

    book = xlwt.Workbook()

    sheet1=book.add_sheet("sheet1")

    header = ['价格','面积','详细标题','名称','具体位置','房间大小','装修情况']

    for i in range(len(header)):

        sheet1.write(0,i,header[i])

    j = 1

    for i in list:

        sheet1.write(j,0,i['价格'])

        sheet1.write(j,1,i['面积'])

        sheet1.write(j,2,i['详细标题'])

        sheet1.write(j,3,i['名称'])

        sheet1.write(j,4,i['具体位置'])

        sheet1.write(j,5,i['房间大小'])

        sheet1.write(j,6,i['装修情况'])

        j = j+1

    book.save(filename)

    print("写入成功")

if __name__ == '__main__':

    headers = {

        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36",

        "cookie":"aQQ_ajkguid=C1CC68B8-4D19-287F-3644-2D367108DEC0; id58=e87rkF/LkOJmpXJnEm4JAg==; 58tj_uuid=a6d935e2-5506-4369-9370-d4081b424818; ctid=49; _ga=GA1.2.1998955085.1607386984; _gid=GA1.2.1925540573.1607386984; new_uv=2; als=0; cmctid=2053; wmda_new_uuid=1; wmda_uuid=aa760fc62c405eecb84c273b7206beed; wmda_visited_projects=%3B6289197098934; xxzl_cid=090b7011f13f44c8b3d9271ce16587b3; xzuid=ad62da25-6302-4e3e-992e-eea22f2d9d02; lps=https%3A%2F%2Fhai.zu.anjuke.com%2Ffangyuan%2Fp2%2F%3Ffrom_price%3D0%26to_price%3D2500an%7Chttps%3A%2F%2Fcallback.58.com%2F; wmda_session_id_6289197098934=1607426591062-bdd0135e-4c1f-a60c; xzfzqtoken=lbhfULbvUI2tmDmR%2By8o2XgL%2FoD%2Fi8pTDHftNbKQZZ3J9dDc2%2BiE91mVlKbcur5Hin35brBb%2F%2FeSODvMgkQULA%3D%3D",

        "path":"/fangyuan/p2/?from_price=0&to_price=2500an"

    }

    dict2 = []

    dict1 = []

    for i in range(20):

        url = "https://hai.zu.anjuke.com/fangyuan/p{}/".format(i+1)

        resopnse=requests.get(url=url,headers=headers).content.decode('utf-8')

        list=lxmldata(resopnse)

        dict1.append(list)

        print("第"+str(i)+"页数据完成")

    for j in dict1:

        for k in j:

            dict2.append(k)

    save(dict2)

第六步进行简单的数据分析

分析目标：挑选出安居客2000-4000的并且面积大于100平米的房子

第一步导入数据

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data2=pd.read_excel(r"C:\Users\xxx\Desktop\安居客二十页.xls")

第二步找出详细标题重复值并删掉

data2.drop_duplicates(subset=['详细标题'],inplace=True)

第三步删除存在缺失值的某行

data2.dropna(how='any',axis=0)

第四步挑选出有电梯的房子
定义一个函数如果有电梯在’房屋结构’这一字段数据中，则返回True
之后用布尔索引挑选出数据

def home(s):

    if '有电梯' in s:

        return True

    else:

        return False

data2['房屋结构']=data2['房屋结构'].map(home)

data2=data2[data2['房屋结构']==1]

第五步找出三室一厅三室二厅的房子

data2=data2[(data2['房间大小']=='3室2厅') | (data2['房间大小']=='3室1厅')]

第六步对价格进行分类
对价格分类 500-1000 1000-2000 2000-3000 3000 -4000 4000+

#把字符串后的汉字去掉

data2['价格']=data2['价格'].str.split("元",expand=True).iloc[:,0]

data2['价格']=data2['价格'].astype(int)

grooups=pd.cut(data2['价格'],bins=[500,1000,2000,3000,4000,10000],labels = ['500-1000','1000-2000','2000-3000','3000-4000','4000+'])

data2['价格范围']=grooups

第七步找出价格为2000-4000的并且面积大于100平米的房子

data2= data2[(data2['价格范围']=='2000-3000')| (data2['价格范围']=='3000-4000')]

data2['面积']=data2['面积'].str.split("平",expand=True).iloc[:,0]

data2['面积']=data2['面积'].astype(float)

groups=pd.cut(data2['面积'],bins = [0,100,100000000000000],labels=['0-100','100-'])

data2['面积范围']=groups

第八步根据序号找出对应的数据

s=data2[data2['面积范围']=='100-'].index

data=pd.read_excel(r"C:\Users\xxx\Desktop\安居客二十页.xls")

a=list(s)

a = tuple(a)

data3=data.loc[a,:]

想要获取更多Python学习资料可以加
QQ:2955637827私聊
或加Q群630390733
大家一起来学习讨论吧！

python爬虫爬取安居客并进行简单数据分析的更多相关文章

Python开发爬虫之BeautifulSoup解析网页篇：爬取安居客网站上北京二手房数据
目标:爬取安居客网站上前10页北京二手房的数据,包括二手房源的名称.价格.几室几厅.大小.建造年份.联系人.地址.标签等. 网址为:https://beijing.anjuke.com/sale/ B ...
用Python爬虫爬取广州大学教务系统的成绩（内网访问）
用Python爬虫爬取广州大学教务系统的成绩(内网访问) 在进行爬取前,首先要了解: 1.什么是CSS选择器? 每一条css样式定义由两部分组成,形式如下: [code] 选择器{样式} [/code ...
python爬虫爬取内容中，-xa0，-u3000的含义
python爬虫爬取内容中,-xa0,-u3000的含义 - CSDN博客 https://blog.csdn.net/aiwuzhi12/article/details/54866310
python爬虫—爬取英文名以及正则表达式的介绍
python爬虫—爬取英文名以及正则表达式的介绍爬取英文名: 一. 爬虫模块详细设计 (1)整体思路对于本次爬取英文名数据的爬虫实现,我的思路是先将A-Z所有英文名的连接爬取出来,保存在一个cs ...
Python爬虫 - 爬取百度html代码前200行
Python爬虫 - 爬取百度html代码前200行 - 改进版, 增加了对字符串的.strip()处理源代码如下: # 改进版, 增加了 .strip()方法的使用 # coding=utf-8 ...
使用Python爬虫爬取网络美女图片
代码地址如下:http://www.demodashi.com/demo/13500.html 准备工作安装python3.6 略安装requests库(用于请求静态页面) pip install ...
Python爬虫|爬取喜马拉雅音频
"GOOD Python爬虫|爬取喜马拉雅音频喜马拉雅是知名的专业的音频分享平台,用户规模突破4.8亿,汇集了有声小说,有声读物,儿童睡前故事,相声小品等数亿条音频,成为国内发展最快.规模 ...
Python爬虫爬取全书网小说，程序源码+程序详细分析
Python爬虫爬取全书网小说教程第一步:打开谷歌浏览器,搜索全书网,然后再点击你想下载的小说,进入图一页面后点击F12选择Network,如果没有内容按F5刷新一下点击Network之后出现如下 ...
一个简单的python爬虫,爬取知乎
一个简单的python爬虫,爬取知乎主要实现爬取一个收藏夹里所有问题答案下的图片文字信息暂未收录,可自行实现,比图片更简单具体代码里有详细注释,请自行阅读项目源码: # -*- cod ...

随机推荐

能否安装 CrossOver 上没有的软件
系统兼容软件CrossOver可以像虚拟机一下帮助我们在Mac或者Linux上运行Windows应用程序,快速实现跨平台文件互通,所以我们也称它为类虚拟机. 不需要安装Windows操作系统的Cros ...
workerman windows环境下无法启动问题
问题描述使用laravel框架composer加载workerman/gateway-worker扩展使用workerman做客服系统.通过laravel的command命令: php artisa ...
K8ssandra——专为Kubernetes云原生数据而生
DataStax最近发布了K8ssandra--一个开源的.部署于Kubernetes上的Apache Cassandra全新发行版本.K8ssandra一站式集合了在Kubernetes上部署开源版 ...
dubbo 远程调用
记得服务暴露的时候createServer()里 server = Exchangers.bind(url, requestHandler); requestHandler在DubboProtocol ...
【鸿蒙应用开发】第三章 “颜控”时代下如何构建UI界面
为什么是第三章,前面两章呢? 原本是以碎片化的方式将HarmonyOS应用开发快速掌握,但是在准备六大布局组合复杂UI界面Demo时,很多组件之前都没有应用.因此准备将知识体系进行细化,以章节的形式希 ...
PADS经验总结
PADS经验总结 1. 快捷键z+数字,能够快速查看相应层:直接z,会显示所有层: 2. 快捷键l+数字,在走线时能够快速切换层: 3. setup->design Rules能设置线宽,DRC ...
JZOJ 11.21 提高B组反思
JZOJ 11.21 提高B组反思 T1 第二类斯特林数直接套公式 \(S(i,j)=S(i-1,j-1)+S(i-1,j)*j\) 由于过大,\(unsigned\ long\ long\)都存不 ...
解决 spring-integration-mqtt 频繁报 Lost connection 错误
问题描述在之前的博客介绍了如何在 Spring Boot 集成 MQTT,后面使用中没有发现问题,最近发现一直报错: Lost connection: Connection lost; retryi ...
一文搞懂RESTful API
RESTful接口实战原创公众号:bigsai 转载请联系bigsai 文章收藏在回车课堂前言在学习RESTful 风格接口之前,即使你不知道它是什么,但你肯定会好奇它能解决什么问题?有什么应用 ...
POJ_1961
Period Time Limit: 3000MS Memory Limit: 30000K Total Submissions: 19817 Accepted: 9640 Descripti ...

python爬虫爬取安居客并进行简单数据分析