利用requestes\pyquery\BeautifulSoup爬取某租房公寓(深圳市)4755条租房信息及总结

为了分析深圳市所有长租、短租公寓的信息，爬取了某租房公寓深圳区域所有在租公寓信息，以下记录了爬取过程以及爬取过程中遇到的问题：

爬取代码：

 1 import requests
 2 from requests.exceptions import RequestException
 3 from pyquery import PyQuery as pq
 4 from bs4 import BeautifulSoup
 5 import pymongo
 6 from config import *
 7 from multiprocessing import Pool
 8
 9 client = pymongo.MongoClient(MONGO_URL)    # 申明连接对象
10 db = client[MONGO_DB]    # 申明数据库
11
12 def get_one_page_html(url):    # 获取网站每一页的html
13     headers = {
14         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
15                       "Chrome/85.0.4183.121 Safari/537.36"
16     }
17     try:
18         response = requests.get(url, headers=headers)
19         if response.status_code == 200:
20             return response.text
21         else:
22             return None
23     except RequestException:
24         return None
25
26
27 def get_room_url(html):    # 获取当前页面上所有room_info的url
28     doc = pq(html)
29     room_urls = doc('.r_lbx .r_lbx_cen .r_lbx_cena a').items()
30     return room_urls
31
32
33 def parser_room_page(room_html):
34     soup = BeautifulSoup(room_html, 'lxml')
35     title = soup.h1.text
36     price = soup.find('div', {'class': 'room-price-sale'}).text[:-3]
37     x = soup.find_all('div', {'class': 'room-list'})
38     area = x[0].text[7:-11]    # 面积
39     bianhao = x[1].text[4:]
40     house_type = x[2].text.strip()[3:7]    # 户型
41     floor = x[5].text[4:-2]    # 楼层
42     location1 = x[6].find_all('a')[0].text    # 分区
43     location2 = x[6].find_all('a')[1].text
44     location3 = x[6].find_all('a')[2].text
45     subway = x[7].text[4:]
46     addition = soup.find_all('div', {'class': 'room-title'})[0].text
47     yield {
48         'title': title,
49         'price': price,
50         'area': area,
51         'bianhao': bianhao,
52         'house_type': house_type,
53         'floor': floor,
54         'location1': location1,
55         'location2': location2,
56         'location3': location3,
57         'subway': subway,
58         'addition': addition
59     }
60
61
62 def save_to_mongo(result):
63     if db[MONGO_TABLE].insert_one(result):
64         print('存储到mongodb成功', result)
65         return True
66     return False
67
68
69 def main(page):
70     url = 'http://www.xxxxx.com/room/sz?page=' + str(page)    # url就不粘啦，嘻嘻
71     html = get_one_page_html(url)
72     room_urls = get_room_url(html)
73     for room_url in room_urls:
74         room_url_href = room_url.attr('href')
75         room_html = get_one_page_html(room_url_href)
76         if room_html is None:    # 非常重要，否则room_html为None时会报错
77             pass
78         else:
79             results = parser_room_page(room_html)
80             for result in results:
81                 save_to_mongo(result)
82
83 if __name__ == '__main__':
84     pool = Pool()  # 使用多进程提高爬取效率
85     pool.map(main, [i for i in range(1, 258)])

在写爬取代码过程中遇到了两个问题：

（一）在get_room_url(html)函数中，开始是想直接return每个租房信息的room_url，但是return不同于print，函数运行到return时就会结束该函数，这样就只能返回每页第一个租房room_url。解决办法是：return 包含每页所有room_url的generator生成器，在main函数中用for循环遍历，再从每个room_url中获取href，传入到get_one_page_html(room_url_href)中进行解析。

（二）没有写第76行的if语句，我默认get_one_page_html(room_url_href)返回的room_html不为空，因此出现multiprocessing.pool.RemoteTraceback报错：

上图中显示markup为None情况下报错，点击蓝色"F:\ProgramFiles\anaconda3\lib\site-packages\bs4\__init__.py"发现markup为room_html，即部分room_html出现None情况。要解决这个问题，必须让代码跳过room_html is None的情况，因此添加 if 语句解决了这个问题。

最终成功爬取某租房公寓深圳市258页共4755条租房信息，为下一步进行数据分析做准备。

其中单条信息：