适合初学者的Python爬取链家网教程

前言

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,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： TinaLY

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

网上很多爬取教程，但是一般存在两个问题：

一是：自己调试会遇到很多bug，一般无法直接使用，对于调试代码有难度的来说比较抓狂；

二是：由于网页数据的格式不是完全规整的，寻找的代码块可能会遇到问题，所以需要设置一个异常抛出机制，以免前面爬取的数据没来得及保存，耗时耗力。

这次是根据自己的经验，提供小批量爬取的数据，能拆开的代码尽量拆开。

• 用的爬取结构，主要是selenium，网页会连续不断地打开。

• 以济南市为例，为了小规模测试，针对单个行政区分别获取，代码熟悉之后可将区改为循环。

代码如下：

关键包：

 from selenium import webdriver
 from urllib import request,parse
 from selenium.common.exceptions import NoSuchElementException

定义参数（前三行是高德API获取坐标用得到，第四行是爬取的城市，一般网页链接接中会有）：

 amap_web_key = '你的key'
 poi_search_url = "http://restapi.amap.com/v3/place/text"
 poi_boundary_url = "https://ditu.amap.com/detail/get/detail"
 city ='jinan'

关键代码：

 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.57 Safari/537.36'}
 driver1 = webdriver.Chrome()
 pageid = 1
 while(pageid <='页码数')://此处页码数是指进入某个区之后显示的页码数量
     allarray = []
     print('pageid =',pageid)
     url ='https://jn.lianjia.com/xiaoqu/pingyin/pg'+str(pageid)
     driver1.get(url)
     driver1.implicitly_wait(5)
     house_list =driver1.find_elements_by_class_name('img')
     for i in range(house_list.__len__()):
         time.sleep(2)
         temparray =[]
         detailurl = house_list[i].get_attribute('href')
         print(i,'detailurl',detailurl)
         driver = webdriver.Chrome()
         driver.get(detailurl)
         try:
             housename =driver.find_element_by_class_name('detailTitle').text
             price = driver.find_element_by_class_name('xiaoquUnitPrice').text
             xiaoquinfo = driver.find_elements_by_class_name('xiaoquInfoContent')
             # [占地面积，建筑面积，容积率，绿化率，停车位，楼栋总数，总户数，物业公司，物业费，物业描述，楼层状况]
             xiaoquage = xiaoquinfo[0].text  #建筑年代
             jianzhuleixing = xiaoquinfo[1].text  # 建筑类型
             wuyefei = xiaoquinfo[2].text  # 物业费用
             dongshu = xiaoquinfo[5].text  # 楼栋总数
             hushu = xiaoquinfo[6].text #房屋总数
             temparray.append(housename)
             temparray.append(price)
             temparray.append(jianzhuleixing)  # 户数
             temparray.append(wuyefei)  # 物业费
             temparray.append(dongshu)  # 容积率
             temparray.append(hushu)  # 绿化率
             # location = getpoi_page(temparray[0])//调用利用高德API获取坐标的函数
             # 通过高德查询经纬度
             //获得小区的最终目的要落到地图上，所以需要获得坐标点，高德开源API可以获得，但是
             //由于一个key的查询数量有限，为了防止中间出错，建议先把所有房屋数据建立起来之后，
             //统一查坐标，对于初学者，一切以简单易实现为主！
             temparray.append('')
             temparray.append('')
             # if (location == ''):
             #     temparray.append('0')
             #     temparray.append('0')
             # else:
             #     temparray.append(location[0])
             #     temparray.append(location[1])
             # break
             # print(temparray)
         except NoSuchElementException as msg:
             //异常抛出函数非常非常重要，虽然诸如淘宝、阿里巴巴等页面都有统一的HTML标签格式，
             //但是有经验的童鞋应该知道，总会有那么一两个不按常规出牌的，如果异常抛出机制写
             //不好，经常容易前功尽弃
             # print("第",i,"个小区查找元素失败")
             try:
                 housename = driver.find_element_by_class_name('detailTitle').text
 price = driver.find_element_by_css_selector("[class='xiaoquPrice clear']").text
 //对比上面的price可以看出，异常抛出是因为对于price属性出现了两种标签
 xiaoquinfo = driver.find_elements_by_class_name('xiaoquInfoContent')
                 # [占地面积，建筑面积，容积率，绿化率，停车位，楼栋总数，总户数，物业公司，物业费，物业描述，楼层状况]
                 xiaoquage = xiaoquinfo[0].text  # 建筑年代
                 jianzhuleixing = xiaoquinfo[1].text  # 建筑类型
                 wuyefei = xiaoquinfo[2].text  # 物业费用
                 dongshu = xiaoquinfo[5].text  # 楼栋总数
                 hushu = xiaoquinfo[6].text  # 房屋总数
                 temparray.append(housename)
                 temparray.append(price)
                 temparray.append(jianzhuleixing)  # 户数
                 temparray.append(wuyefei)  # 物业费
                 temparray.append(dongshu)  # 容积率
                 temparray.append(hushu)  # 绿化率
                 temparray.append('')
                 temparray.append('')
             except NoSuchElementException as msg:
                 print("两种情况均查不到")
         allarray.append(temparray)
         driver.close()
     text_save(allarray, 'lianjia_fangwu.txt')
 pageid += 1