zhukeming123 发表于 2019-11-17 00:23

通过Python爬取链家所有房源和小区信息

本帖最后由 zhukeming123 于 2019-11-17 01:13 编辑

链家房源爬虫,基于scrapy框架,数据存储在MongoDB

由于链家的限制房源列表最多显示1000页,3000条数据,所以这里通过小区信息爬取所有房源。

``` python
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Selector
import json
import re

from house_spider.items import LianjiaVillageItem, LianjiaHouseItem


class LianjiaSpider(scrapy.Spider):
    name = 'lianjia'
    allowed_domains = ['cq.lianjia.com']
    start_urls = ['cq.lianjia.com']

    def __init__(self, **kwargs):
      super().__init__(**kwargs)
      self.base_url = 'https://cq.lianjia.com'

    def start_requests(self):
      request_url = 'https://cq.lianjia.com/xiaoqu/'
      yield scrapy.Request(url=request_url, callback=self.parse_district_links)

    def parse_district_links(self, response):
      """提取地区链接"""
      sel = Selector(response)
      links = sel.css("div div:first-child a::attr(href)").extract()
      for link in links:
            url = self.base_url + link
            yield scrapy.Request(url=url, callback=self.parse_bizcircle_links)

    def parse_bizcircle_links(self, response):
      """提取商圈链接"""
      sel = Selector(response)
      links = sel.css("div div:nth-child(2) a::attr(href)").extract()
      for link in links:
            url = self.base_url + link
            yield scrapy.Request(url=url, callback=self.parse_village_list, meta={"ref": url})

    def parse_village_list(self, response):
      """提取小区链接"""
      sel = Selector(response)
      links = sel.css(".listContent .xiaoquListItem .img::attr(href)").extract()
      for link in links:
            yield scrapy.Request(url=link, callback=self.parse_village_detail)

      # page
      page_data = sel.css(".house-lst-page-box::attr(page-data)").extract_first()
      page_data = json.loads(page_data)
      if page_data['curPage'] < page_data['totalPage']:
            url = response.meta["ref"] + 'pg' + str(page_data['curPage'] + 1)
            yield scrapy.Request(url=url, callback=self.parse_village_list, meta=response.meta)

    def parse_village_detail(self, response):
      """提取小区详情"""
      village_url = response.url
      sel = Selector(response)
      zone = sel.css('.xiaoquDetailbreadCrumbs .l-txt a::text').extract()
      latitude = 0
      longitude = 0
      try:
            html = response.body.decode().replace('\r', '')
            local = html
            m = re.search('(\d.*\d),(\d.*\d)', local)
            longitude = m.group(1)
            latitude = m.group(2)
      except Exception:
            pass

      item = LianjiaVillageItem()
      item['id'] = village_url.replace(self.base_url + '/xiaoqu/', '').replace('/', '')
      item['name'] = sel.css('.detailHeader .detailTitle::text').extract_first()
      item['address'] = sel.css('.detailHeader .detailDesc::text').extract_first()
      item['latitude'] = latitude
      item['longitude'] = longitude
      item['zone'] = ','.join(zone)
      item['year'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(1) .xiaoquInfoContent::text').extract_first()
      item['build_type'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(2) .xiaoquInfoContent::text').extract_first()
      item['property_costs'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(3) .xiaoquInfoContent::text').extract_first()
      item['property_company'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(4) .xiaoquInfoContent::text').extract_first()
      item['developers'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(5) .xiaoquInfoContent::text').extract_first()
      item['buildings'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(6) .xiaoquInfoContent::text').extract_first()
      item['total_house'] = sel.css('.xiaoquInfo .xiaoquInfoItem:nth-child(7) .xiaoquInfoContent::text').extract_first()

      print(item['name'])
      yield item

      # 小区房源 https://cq.lianjia.com/ershoufang/c3620038190566370/
      url = self.base_url + "/ershoufang/c" + item['id'] + "/"
      yield scrapy.Request(url=url, callback=self.parse_house_list, meta={"ref": url})

    def parse_house_list(self, response):
      """提取房源链接"""
      sel = Selector(response)
      # 链家有时小区查询不到数据
      total = sel.css('.resultDes .total span::text').extract_first()
      total = int(total)
      if total > 0:
            # 提取房源链接
            links = sel.css(".sellListContent li .info .title a::attr(href)").extract()
            for link in links:
                yield scrapy.Request(url=link, callback=self.parse_house_detail)
            # 链接分页
            page_data = sel.css(".house-lst-page-box::attr(page-data)").extract_first()
            page_data = json.loads(page_data)
            if page_data['curPage'] == 1 and page_data['totalPage'] > 1:
                price = response.url.replace(self.base_url + '/ershoufang/', '')
                for x in range(2, page_data['totalPage'] + 1, 1):
                  url = self.base_url + '/ershoufang/' + 'pg' + str(x) + price
                  yield scrapy.Request(url=url, callback=self.parse_house_list)

    def parse_house_detail(self, response):
      """提取房源信息"""
      sel = Selector(response)

      item = LianjiaHouseItem()
      item['房屋Id'] = response.url.replace(self.base_url + '/ershoufang/', '').replace('.html', '')
      item['标题'] = sel.css('.title-wrapper .title .main::text').extract_first()
      item['售价'] = sel.css('.overview .content .price .total::text').extract_first()
      item['小区'] = sel.css('.overview .content .aroundInfo .communityName a.info::text').extract_first()
      item['小区ID'] = sel.css('.overview .content .aroundInfo .communityName a.info::attr(href)').extract_first().replace('/xiaoqu/', '').replace('/', '')
      item['房屋户型'] = sel.css('#introduction .base .content ul li:nth-child(1)::text').extract_first()
      item['所在楼层'] = sel.css('#introduction .base .content ul li:nth-child(2)::text').extract_first()
      item['建筑面积'] = sel.css('#introduction .base .content ul li:nth-child(3)::text').extract_first()
      item['户型结构'] = sel.css('#introduction .base .content ul li:nth-child(4)::text').extract_first()
      item['套内面积'] = sel.css('#introduction .base .content ul li:nth-child(5)::text').extract_first()
      item['建筑类型'] = sel.css('#introduction .base .content ul li:nth-child(6)::text').extract_first()
      item['房屋朝向'] = sel.css('#introduction .base .content ul li:nth-child(7)::text').extract_first()
      item['建筑结构'] = sel.css('#introduction .base .content ul li:nth-child(8)::text').extract_first()
      item['装修情况'] = sel.css('#introduction .base .content ul li:nth-child(9)::text').extract_first()
      item['梯户比例'] = sel.css('#introduction .base .content ul li:nth-child(10)::text').extract_first()
      item['配备电梯'] = sel.css('#introduction .base .content ul li:nth-child(11)::text').extract_first()
      item['产权年限'] = sel.css('#introduction .base .content ul li:nth-child(12)::text').extract_first()
      item['挂牌时间'] = sel.css('#introduction .transaction .content ul li:nth-child(1) span:nth-child(2)::text').extract_first()
      item['交易权属'] = sel.css('#introduction .transaction .content ul li:nth-child(2) span:nth-child(2)::text').extract_first()
      item['上次交易'] = sel.css('#introduction .transaction .content ul li:nth-child(3) span:nth-child(2)::text').extract_first()
      item['房屋用途'] = sel.css('#introduction .transaction .content ul li:nth-child(4) span:nth-child(2)::text').extract_first()
      item['房屋年限'] = sel.css('#introduction .transaction .content ul li:nth-child(5) span:nth-child(2)::text').extract_first()
      item['产权所属'] = sel.css('#introduction .transaction .content ul li:nth-child(6) span:nth-child(2)::text').extract_first()
      item['抵押信息'] = sel.css('#introduction .transaction .content ul li:nth-child(7) span:nth-child(2)::attr(title)').extract_first()
      item['房本备件'] = sel.css('#introduction .transaction .content ul li:nth-child(8) span:nth-child(2)::text').extract_first()

      yield item

```





完整项目 git地址:https://github.com/oldriverz/house_spider

访120 发表于 2019-11-17 08:13

楼主厉害了

zhukeming123 发表于 2019-11-17 12:00

m16yjq 发表于 2019-11-17 04:05
怎么下载下来的源码,和你贴出来的不一样,那个run.py里没代码的

run.py只是启动文件,代码在house_spider\spiders里面。

编程天下 发表于 2019-11-17 01:06

请问下怎么下载exe?

小傲宇 发表于 2019-11-17 01:18

楼主有没有爬虫相关的教程分享下?

好鸭 发表于 2019-11-17 01:18

厉害了,没看懂

还不算晚 发表于 2019-11-17 01:31

厉害了 链家没有防爬限制么

zhukeming123 发表于 2019-11-17 01:42

好鸭 发表于 2019-11-17 01:18
厉害了,没看懂

都是scrapy框架的基本写法,看一下就行了,没什么高级的

zhukeming123 发表于 2019-11-17 01:44

还不算晚 发表于 2019-11-17 01:31
厉害了 链家没有防爬限制么

网页爬取倒是没什么限制,因为这个行业公开的房源信息没什么用处

m16yjq 发表于 2019-11-17 04:05

怎么下载下来的源码,和你贴出来的不一样,那个run.py里没代码的

奉天游龙-狼叔 发表于 2019-11-17 08:22

页: [1] 2 3 4
查看完整版本: 通过Python爬取链家所有房源和小区信息