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

  1. 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 ...

  2. 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.

  3. 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 ...

  4. 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

  5. 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:/ ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. laravel报错1071 Specified key was too long; max key length is 1000 bytes

    Laravel 默认使用utf8mb4字符编码,而不是的utf8编码.因此运行php artisan migrate会出现如下错误: [Illuminate\Database\QueryExcepti ...

  2. JS 原生ajax写法

    <script> //step1.创建XMLHTTPRequest对象,对于低版本的IE,需要换一个ActiveXObject对象 var xhr; if (window.XMLHttpR ...

  3. Zookeeper集群部署及报错分析

    安装 下载压缩包 解压 修改zoo.cfg文件 创建myid文件 启动 自启动配置 有时间再补hhh 报错处理 很荣幸的遇到了大部分报错,日志再zookeeper目录的bin下的zookeeper.o ...

  4. Java MD5获取

    MD5算法具有以下特点: 1.压缩性:任意长度的数据,算出的MD5值长度都是固定的. 2.容易计算:从原数据计算出MD5值很容易. 3.抗修改性:对原数据进行任何改动,哪怕只修改1个字节,所得到的MD ...

  5. String常用处理方法

    1.去空格 用于删除字符串的头尾空白符. 语法:public String trim() 返回值:删除头尾空白符的字符串. 删除所有空格 str.replace(" ", &quo ...

  6. Django 项目分析后得到的某些结论

    项目下的 urls 篇 urlpatterns = [ ] 其中主要是包含有各个 app 的路由 示例: url(r'^users/', include('users.urls', namespace ...

  7. luogu 4331 [BalticOI 2004]Sequence 数字序列

    LINK:数字序列 这是一道论文题 我去看了一眼论文鸽的论文. 发现讲的还算能懂.可并堆的操作也讲的比较清晰. 对于这道题首先有一个小trick 我们给a数组全部减去其对应的下标这样我们求出来的b数组 ...

  8. 解决SpringBoot项目中Thymeleaf模板的中文乱码问题

    1.使用IDEA创建SpringBoot项目 package com.example.demo; import org.springframework.boot.SpringApplication; ...

  9. 16、Java中级进阶 面向对象 封装

    1.封装概述 封装可以被认为是一个保护屏障,将类的某些信息隐藏在类内部,不允许外部程序直接访问,而是通过类提供的方法来实现对隐藏信息的操作访问,可以有效的防止该类的代码和数据被其他类随意访问. 要访问 ...

  10. Solon 最简单demo---Hello World

    Solon 的项目地址: https://gitee.com/noear/solon 里面杂七杂八的东西很多...今天的目标是整一个最最简单,最最小巧的 Hello world (一)用 Intell ...