前言:对于我们任何一个漂泊在外的打工者,租房似乎都是我们必经的一个经历,对于我们而言,选择性价比最高,最适合自己的房源至关重要,本文就将利用爬虫技术采集蘑菇租房网上指定的房源信息,后续可以利用这些信息进行机器筛选,比价等等,从而更加方便的找到自己心仪的房源。

爬虫第一步,找到目标网站,确定数据来源,我们打开蘑菇租房网,可以看到如下所示的界面

同样的,我们打开F12,查看network请求,可以看到它的数据直接在这个接口里返回的

分析网页,发现我们可以直接采用requests库请求获取网页数据,然后通过etree解析网页资源,获取我们想要的数据

首先是获取列表页的数据

page = self.getPageCount()
# page = 1
page_link = self.pageurl.replace('@position',str(13))
print(page)
for offset in range(page):
# 拼接URL
pageUrl = page_link.replace('@page',str(offset))
print(pageUrl)
# 通过requests获取数据
response = requests.get(url=pageUrl,headers=get_header())
print(response.text)
# html=response.content
# html_doc=str(html,'utf-8')
# 通过etree解析文档
tree = etree.HTML(response.text)
# 通过xpath提取链接
links = tree.xpath('//div[@class="roomCardSmall-box"]//a/@href')
print(links)
names = tree.xpath('//div[@class="roomCardSmall-box"]//a/@title')
types = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[1]/text()')
desps = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[2]/text()')
positions = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//p/text()')

因为列表页包含分页,所以需要先行获取分页数

def getPageCount(self):
req = requests.get(self.baseUrl,headers=get_header())
print(req.text)
tree = etree.HTML(req.text)
# 通过xpath提取链接
page = tree.xpath('//div[@class="pageBox"]/div[@class="page-box"]/span/text()')
if(len(page)>0):
return int(page[0][1:3])
else:
return 0

获取到列表页数据后,我们可以提取详情页的链接地址,对详情页的地址发起请求,获取并解析详情页的数据

            for i in range(len(links)):
item = {}
item['name'] = names[i]
item['type'] = types[i]
item['desp'] = desps[i]
item['position'] = positions[i]
link = links[i]
req = requests.get(link,headers=get_header())
html_doc = str(req.content,'utf-8')
print(html_doc)
tree = etree.HTML(html_doc)
item['pay_type'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="type"]/text()')[0]
item['pay_price'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]/text()')[0]
item['pay_price_unit'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]/i/text()')[0]
item['phone'] = tree.xpath('//div[@class="w460 room-call"]//div[@class="phone orange"]/text()')[0]
data.append(item)
time.sleep(random.random()*8)
time.sleep(random.random()*8)

注意此处,我进行了随机延时操作,这是为了避免被网站的反爬虫策略识别到

获取到数据后我们还是老规矩,保存到Excel或者数据库

# # 保存数据到excel文件
def saveToCsv(self,data):
wb = Workbook()
ws = wb.active
ws.append(['标题', '类型', '描述', '地理位置', '房租支付方式', '房租', '房租单位','手机号'])
for item in data:
line = [item['name'], item['type'],item['desp'],item['position'],item['pay_type'],item['pay_price'],item['pay_price_unit'],item['phone']]
ws.append(line)
wb.save('蘑菇租房_上海.xlsx')

至此,整个爬虫工作就算完成了,完整的代码如下,需要的自取,请记得安装第三方库如lxml,下篇文章我将介绍利用浏览器的插件进行无编程的爬虫

import requests
from lxml import etree
from openpyxl import Workbook
from myutils import get_header
from selenium import webdriver
from selenium.webdriver.common.by import By
import time
import random # 爬虫处理类
# 目标网站 蘑菇租房:http://www.mgzf.com/list/qy13_
class Spider:
# 目标网站列表页的基本链接
baseUrl = 'http://www.mgzf.com/list/qy@position_'
pageurl = 'http://www.mgzf.com/list/pg@page/qy@position_/?searchWord=&paraName='
# 自定义的header
# 爬取的页数总和
def getPageCount(self):
req = requests.get(self.baseUrl,headers=get_header())
print(req.text)
tree = etree.HTML(req.text)
# 通过xpath提取链接
page = tree.xpath('//div[@class="pageBox"]/div[@class="page-box"]/span/text()')
if(len(page)>0):
return int(page[0][1:3])
else:
return 0 def buffer(self,browser):
for i in range(50):
time.sleep(0.3)
browser.execute_script('window.scrollBy(0,300)', '') def getDataByBrowswer(self):
data = []
print('开始爬虫')
browser = webdriver.Chrome('C://Users/Administrator/AppData/Local/Google/Chrome/Application/chromedriver.exe')
page_link = self.pageurl.replace('@position',str(13))
page = 1
for offset in range(page):
pageUrl = page_link.replace('@page',str(offset+1))
browser.get(pageUrl)
time.sleep(30)
self.buffer(browser)
links = browser.find_elements_by_xpath('//div[@class="roomCardSmall-box"]//a')
types = browser.find_elements_by_xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[1]')
desps = browser.find_elements_by_xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[2]')
positions = browser.find_elements_by_xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//p')
for i in range(len(links)):
item = {}
link = links[i].get_attribute('href')
item['name'] = links[i].text
item['type'] = types[i].text
item['desp'] = desps[i].text
item['position'] = positions[i].text
browser.get(link)
time.sleep(30)
self.buffer(browser)
item['pay_type'] = browser.find_element_by_xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="type"]').text
item['pay_price'] = browser.find_element_by_xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]').text
item['pay_price_unit'] = browser.find_element_by_xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]/i').text
item['phone'] = browser.find_element_by_xpath('//div[@class="w460 room-call"]//div[@class="phone orange"]').text
data.append(item)
print(data)
browser.close()
return data # 列表页处理函数、批量获取详情页链接地址
def getData(self):
data = []
print('开始爬虫')
page = self.getPageCount()
# page = 1
page_link = self.pageurl.replace('@position',str(13))
print(page)
for offset in range(page):
# 拼接URL
pageUrl = page_link.replace('@page',str(offset))
print(pageUrl)
# 通过requests获取数据
response = requests.get(url=pageUrl,headers=get_header())
print(response.text)
# html=response.content
# html_doc=str(html,'utf-8')
# 通过etree解析文档
tree = etree.HTML(response.text)
# 通过xpath提取链接
links = tree.xpath('//div[@class="roomCardSmall-box"]//a/@href')
print(links)
names = tree.xpath('//div[@class="roomCardSmall-box"]//a/@title')
types = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[1]/text()')
desps = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//h2[2]/text()')
positions = tree.xpath('//div[@class="roomCardSmall-box"]//a//div[@class="text-content-middle"]//p/text()')
for i in range(len(links)):
item = {}
item['name'] = names[i]
item['type'] = types[i]
item['desp'] = desps[i]
item['position'] = positions[i]
link = links[i]
req = requests.get(link,headers=get_header())
html_doc = str(req.content,'utf-8')
print(html_doc)
tree = etree.HTML(html_doc)
item['pay_type'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="type"]/text()')[0]
item['pay_price'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]/text()')[0]
item['pay_price_unit'] = tree.xpath('//div[@class="w460 price mt10"]/div[@class="info"]/span[@class="num orange"]/i/text()')[0]
item['phone'] = tree.xpath('//div[@class="w460 room-call"]//div[@class="phone orange"]/text()')[0]
data.append(item)
time.sleep(random.random()*8)
time.sleep(random.random()*8)
return data # # 保存数据到excel文件
def saveToCsv(self,data):
wb = Workbook()
ws = wb.active
ws.append(['标题', '类型', '描述', '地理位置', '房租支付方式', '房租', '房租单位','手机号'])
for item in data:
line = [item['name'], item['type'],item['desp'],item['position'],item['pay_type'],item['pay_price'],item['pay_price_unit'],item['phone']]
ws.append(line)
wb.save('蘑菇租房_上海.xlsx') # # 开始爬虫
def startSpider(self):
data = self.getData()
self.saveToCsv(data)
# data = self.getDataByBrowswer()
# self.saveToCsv(data) if __name__ == "__main__":
spider = Spider()
spider.startSpider()

利用requets库采集蘑菇租房网的租房信息的更多相关文章

  1. crawler4j源码学习(2):Ziroom租房网房源信息采集爬虫

    crawler4j是用Java实现的开源网络爬虫.提供了简单易用的接口,可以在几分钟内创建一个多线程网络爬虫.下面实例结合jsoup解析网页,javacsv存储采集数据:采集自如ziroom租房网(h ...

  2. 第一百四十三节,JavaScript,利用封装库做百度分享

    JavaScript,利用封装库做百度分享 效果图 html代码 <div id="share"> <h2>分享到</h2> <ul> ...

  3. 利用python库twilio来免费发送短信

    大家好,我是四毛,最近开通了个人公众号“用Python来编程”,欢迎大家“关注”,这样您就可以收到优质的文章了. 今天跟大家分享的主题是利用python库twilio来免费发送短信. 先放一张成品图 ...

  4. Python:利用 selenium 库抓取动态网页示例

    前言 在抓取常规的静态网页时,我们直接请求对应的 url 就可以获取到完整的 HTML 页面,但是对于动态页面,网页显示的内容往往是通过 ajax 动态去生成的,所以如果是用 urllib.reque ...

  5. Python利用PyExecJS库执行JS函数

      在Web渗透流程的暴力登录场景和爬虫抓取场景中,经常会遇到一些登录表单用DES之类的加密方式来加密参数,也就是说,你不搞定这些前端加密,你的编写的脚本是不可能Login成功的.针对这个问题,现在有 ...

  6. Qt编写数据可视化大屏界面电子看板12-数据库采集

    一.前言 数据采集是整个数据可视化大屏界面电子看板系统核心功能,没有数据源,这仅仅是个玩具UI,没啥用,当然默认做了定时器模拟数据,产生随机数据,这个可以直接配置文件修改来选择采用何种数据采集方法,总 ...

  7. 如何利用BeautifulSoup选择器抓取京东网商品信息

    昨天小编利用Python正则表达式爬取了京东网商品信息,看过代码的小伙伴们基本上都坐不住了,辣么多的规则和辣么长的代码,悲伤辣么大,实在是受不鸟了.不过小伙伴们不用担心,今天小编利用美丽的汤来为大家演 ...

  8. 如何利用CSS选择器抓取京东网商品信息

    前几天小编分别利用Python正则表达式.BeautifulSoup.Xpath分别爬取了京东网商品信息,今天小编利用CSS选择器来为大家展示一下如何实现京东商品信息的精准匹配~~ CSS选择器 目前 ...

  9. c# 利用动态库DllImport("kernel32")读写ini文件(提供Dmo下载)

    c# 利用动态库DllImport("kernel32")读写ini文件 自从读了设计模式,真的会改变一个程序员的习惯.我觉得嘛,经验也可以从一个人的习惯看得出来,看他的代码编写习 ...

随机推荐

  1. afert和b的伪类画三角形

    /* 提示信息 */ .content-tishi{ width: 6.93rem; margin: 0 auto; background: #e9eaea; display: flex; flex- ...

  2. [PHP自动化-进阶]005.Snoopy采集框架介绍

    引言:Snoopy是一个php类,用来模仿web浏览器的功能,它能完成获取网页内容和发送表单的任务. **官方网址:http://snoopy.sourceforge.net/** 简单一句话表达:& ...

  3. VUE源码解析心得

    解读vue源码比较好奇的几个点: VUE MVVM 原理 http://www.cnblogs.com/guwei4037/p/5591183.html https://cn.vuejs.org/v2 ...

  4. R 语言

    ps 帮人学习R语言代码: 定义变量 alldata<-c(32.56,1.4072,28.94,0.231,11.005,2.48713,40.33,1.5334,34.79,0.288,18 ...

  5. jchdl - GSL实例 - Assign

    https://mp.weixin.qq.com/s/MtHR3iolPd5VQq6AUE-JPg   Assign是一个节点,把输入线直接赋值给输出线.在转换成Verilog时,这种类型的节点会直接 ...

  6. jchdl - GSL实例:HalfAdder

    https://mp.weixin.qq.com/s/Y97bIro7UlPPFCoPlzgmOQ 半加器电路是指对两个输入相加,输出一个结果位和,没有进位输入的电路. 是实现两个一位二进制数的加法运 ...

  7. Kubernetes笔记(四):详解Namespace与资源限制ResourceQuota,LimitRange

    前面我们对K8s的基本组件与概念有了个大致的印象,并且基于K8s实现了一个初步的CI/CD流程,但对里面涉及的各个对象(如Namespace, Pod, Deployment, Service, In ...

  8. 2003 can't connect to mysql server

    在电脑中打开 计算机管理 点击 服务与应用程序 点击 服务 右侧找到 mysql 右键启动

  9. Java实现 LeetCode 566 重塑矩阵(遍历矩阵)

    566. 重塑矩阵 在MATLAB中,有一个非常有用的函数 reshape,它可以将一个矩阵重塑为另一个大小不同的新矩阵,但保留其原始数据. 给出一个由二维数组表示的矩阵,以及两个正整数r和c,分别表 ...

  10. Java实现 LeetCode 515 在每个树行中找最大值

    515. 在每个树行中找最大值 您需要在二叉树的每一行中找到最大的值. 示例: 输入: 1 / \ 3 2 / \ \ 5 3 9 输出: [1, 3, 9] /** * Definition for ...