利用python爬取贝壳网租房信息
最近准备换房子,在网站上寻找各种房源信息,看得眼花缭乱,于是想着能否将基本信息汇总起来便于查找,便用python将基本信息爬下来放到excel,这样一来就容易搜索了。
1. 利用lxml中的xpath提取信息
xpath是一门在 xml文档中查找信息的语言,xpath可用来在 xml 文档中对元素和属性进行遍历。对比正则表达式 re两者可以完成同样的工作,实现的功能也差不多,但xpath明显比re具有优势。具有如下优点:(1)可在xml中查找信息 ;(2)支持html的查找;(3)通过元素和属性进行导航
2. 利用xlsxwriter模块将信息保存只excel
xlsxwriter是操作excel的库,可以帮助我们高效快速的,大批量的,自动化的操作excel。它可以写数据,画图,完成大部分常用的excel操作。缺点是xlsxwriter 只能创建新文件,不可以修改原有文件,如果创建新文件时与原有文件同名,则会覆盖原有文件。
3. 爬取思路
观察发现贝壳网租房信息总共是100页,我们可以分每页获取到html代码,然后提取需要的信息保存至字典,将所有页面的信息汇总,最后将字典数据写入excel。
4. 爬虫源代码
# @Author: Rainbowhhy
# @Date : 19-6-25 下午6:35 import requests
import time
from lxml import etree
import xlsxwriter def get_html(page):
"""获取网站html代码"""
url = "https://bj.zu.ke.com/zufang/pg{}/#contentList".format(page)
headers = {
'user-agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
response = requests.get(url, headers=headers).text
return response def parse_html(htmlcode, data):
"""解析html代码"""
content = etree.HTML(htmlcode)
results = content.xpath('///div[@class="content__article"]/div[1]/div')
for result in results[:]:
community = result.xpath('./div[1]/p[@class="content__list--item--title twoline"]/a/text()')[0].replace('\n',
'').strip().split()[
0]
address = "-".join(result.xpath('./div/p[@class="content__list--item--des"]/a/text()'))
landlord = result.xpath('./div/p[@class="content__list--item--brand oneline"]/text()')[0].replace('\n',
'').strip() if len(
result.xpath('./div/p[@class="content__list--item--brand oneline"]/text()')) > 0 else ""
postime = result.xpath('./div/p[@class="content__list--item--time oneline"]/text()')[0]
introduction = ",".join(result.xpath('./div/p[@class="content__list--item--bottom oneline"]/i/text()'))
price = result.xpath('./div/span/em/text()')[0]
description = "".join(result.xpath('./div/p[2]/text()')).replace('\n', '').replace('-', '').strip().split()
area = description[0]
count = len(description)
if count == 6:
orientation = description[1] + description[2] + description[3] + description[4]
elif count == 5:
orientation = description[1] + description[2] + description[3]
elif count == 4:
orientation = description[1] + description[2]
elif count == 3:
orientation = description[1]
else:
orientation = ""
pattern = description[-1]
floor = "".join(result.xpath('./div/p[2]/span/text()')[1].replace('\n', '').strip().split()).strip() if len(
result.xpath('./div/p[2]/span/text()')) > 1 else ""
date_time = time.strftime("%Y-%m-%d", time.localtime())
"""数据存入字典"""
data_dict = {
"community": community,
"address": address,
"landlord": landlord,
"postime": postime,
"introduction": introduction,
"price": '¥' + price,
"area": area,
"orientation": orientation,
"pattern": pattern,
"floor": floor,
"date_time": date_time
} data.append(data_dict) def excel_storage(response):
"""将字典数据写入excel"""
workbook = xlsxwriter.Workbook('./beikeHouse.xlsx')
worksheet = workbook.add_worksheet()
"""设置标题加粗"""
bold_format = workbook.add_format({'bold': True})
worksheet.write('A1', '小区名称', bold_format)
worksheet.write('B1', '租房地址', bold_format)
worksheet.write('C1', '房屋来源', bold_format)
worksheet.write('D1', '发布时间', bold_format)
worksheet.write('E1', '租房说明', bold_format)
worksheet.write('F1', '房屋价格', bold_format)
worksheet.write('G1', '房屋面积', bold_format)
worksheet.write('H1', '房屋朝向', bold_format)
worksheet.write('I1', '房屋户型', bold_format)
worksheet.write('J1', '房屋楼层', bold_format)
worksheet.write('K1', '查看日期', bold_format) row = 1
col = 0
for item in response:
worksheet.write_string(row, col, item['community'])
worksheet.write_string(row, col + 1, item['address'])
worksheet.write_string(row, col + 2, item['landlord'])
worksheet.write_string(row, col + 3, item['postime'])
worksheet.write_string(row, col + 4, item['introduction'])
worksheet.write_string(row, col + 5, item['price'])
worksheet.write_string(row, col + 6, item['area'])
worksheet.write_string(row, col + 7, item['orientation'])
worksheet.write_string(row, col + 8, item['pattern'])
worksheet.write_string(row, col + 9, item['floor'])
worksheet.write_string(row, col + 10, item['date_time'])
row += 1
workbook.close() def main():
all_datas = []
"""网站总共100页,循环100次"""
for page in range(1, 100):
html = get_html(page)
parse_html(html, all_datas)
excel_storage(all_datas) if __name__ == '__main__':
main()
5. 信息截图

利用python爬取贝壳网租房信息的更多相关文章
- Python 爬取赶集网租房信息
代码已久,有可能需要调整 #coding:utf-8 from bs4 import BeautifulSoup #有这个bs4不用正则也可以定位要爬取的内容了 from urlparse impor ...
- Python爬虫基础--分布式爬取贝壳网房屋信息(Client)
1. client_code01 2. client_code02 3. 这个时候运行多个client就可以分布式进行数据爬取.
- 利用python爬取全国水雨情信息
分析 我们没有找到接口,所以打算利用selenium来爬取. 代码 import datetime import pandas as pd from bs4 import BeautifulSoup ...
- Python爬虫基础--分布式爬取贝壳网房屋信息(Server)
1. server_code01 2. server_code02 3. server_code03
- Python爬虫项目--爬取自如网房源信息
本次爬取自如网房源信息所用到的知识点: 1. requests get请求 2. lxml解析html 3. Xpath 4. MongoDB存储 正文 1.分析目标站点 1. url: http:/ ...
- python爬取当当网的书籍信息并保存到csv文件
python爬取当当网的书籍信息并保存到csv文件 依赖的库: requests #用来获取页面内容 BeautifulSoup #opython3不能安装BeautifulSoup,但可以安装Bea ...
- 利用Selenium爬取淘宝商品信息
一. Selenium和PhantomJS介绍 Selenium是一个用于Web应用程序测试的工具,Selenium直接运行在浏览器中,就像真正的用户在操作一样.由于这个性质,Selenium也是一 ...
- 利用python爬取58同城简历数据
利用python爬取58同城简历数据 利用python爬取58同城简历数据 最近接到一个工作,需要获取58同城上面的简历信息(http://gz.58.com/qzyewu/).最开始想到是用pyth ...
- 利用python爬取城市公交站点
利用python爬取城市公交站点 页面分析 https://guiyang.8684.cn/line1 爬虫 我们利用requests请求,利用BeautifulSoup来解析,获取我们的站点数据.得 ...
随机推荐
- Bug--Tomcat Error start child
添加Quartz之后报错 下面的Cause by: More than one fragment with the name [spring_web] was found. This is not l ...
- 如何查看Oracle的版本
本人使用的软件是DataGrip 在控制台输入 select * from v$version;
- 11-21 logging 模块
默认情况下Python的logging模块将日志打印到了标准输出中,且只显示了大于等于WARNING级别的日志, 这说明默认的日志级别设置为WARNING(日志级别等级CRITICAL > ER ...
- PHP array_fill() 函数
------------恢复内容开始------------ 实例 用给定的键值填充数组: <?php$a1=array_fill(3,4,"blue");print_r($ ...
- PHP jdtojewish() 函数
------------恢复内容开始------------ 实例 把儒略日计数转换为犹太历法的日期: <?php$jd=jdtojewish(1789430); echo $jd;?> ...
- luogu P1712 [NOI2016]区间 贪心 尺取法 线段树 二分
LINK:区间 没想到尺取法. 先说暴力 可以发现答案一定可以转换到端点处 所以在每个端点从小到大扫描线段就能得到答案 复杂度\(n\cdot m\) 再说我的做法 想到了二分 可以进行二分答案 从左 ...
- 5.13 省选模拟赛 优雅的绽放吧,墨染樱花 多项式 prufer序列 计数 dp
LINK:优雅的绽放吧,墨染樱花 当时考完只会50分的做法 最近做了某道题受到启发 故会做这道题目了.(末尾附30分 50分 100分code 看到度数容易想到prufer序列 考虑dp统计方案数. ...
- luoguP2154 [SDOI2009]虔诚的墓主人
SDOI2009虔诚的墓主人 喜闻乐见,我终于把此题读懂了..所以可以写了. 其实就是让我们求有多少个十字架 一个十字架的定义为中间有一个空地 周围4个正方向都有k棵树. 不难想到nm的暴力 我们预处 ...
- HDFS---NameNode管理元数据及HA模式
NameNode主要保存了下面的内容 1-维护元数据信息.Block和文件之间的关系,即某一个特定文件都有哪些Block: 2-每一个Block存储在什么位置(DataNode上面): 3-维护HDF ...
- Swap常用操作与性能测试
Swap分区通常被称为交换分区,这块儿分区位于硬盘的某个位置,当系统内存(物理内存)不够用的时候,如果开启了交换分区,部分内存里面暂时不用的数据就会Swap out(换出)到这块儿分区:当系统要使用这 ...