本帖最后由 18732970707 于 2019-11-20 09:10 编辑
北京这么大，总有一套房子适合自己；一、选择目标网站：链[lian]家[jia]：https://bj.lianjia.com/
点击【租房】，进入租房首页：
 这就是要爬取的首页了；二、先爬取一页1、分析页面
右击一个房源的链接，点击[检查]，如图：
进入开发者模式，
此时可以看到 a 标签中的链接：
使用 xpath 就可以把链接提取出来，不过该链接是真实 url 的后半段，需要进行字符串拼接才能获取到真正的 url；
后面会在代码中体现；
爬取的信息暂且只对下图中标出的进行爬取：
包括 标题、时间、价格、房间格局、面积 ；三、对全部页面进行爬取1、分析页面 url
点击租房，找到其跳转到的网页：https://bj.lianjia.com/zufang/
对，这就是要爬取的首页：
 我们往下拉到最底端，点击下一页或者其他页，
第 1 页：https://bj.lianjia.com/zufang/pg1/#contentList
第 2 也：https://bj.lianjia.com/zufang/pg2/#contentList
第 3 页：https://bj.lianjia.com/zufang/pg3/#contentList
.
.
.
第 100 页：https://bj.lianjia.com/zufang/pg100/#contentList通过观察 url 可以发现规律：每一页只有 pg 后面的数字在变，且与页数相同；
拼接字符串后使用一个循环即可对所有页面进行爬取；四、源码开发工具：pycharm
python版本：3.7.2[Python] 纯文本查看 复制代码 import requests
from lxml import etree
#编写了一个常用的方法，输入url即可返回text的文本；
def get_one_page(url):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
}
response = requests.get(url,headers=headers)
response.encoding = 'utf-8'
if response.status_code == 200:
return response.text
else:
print("请求状态码 != 200,url错误.")
return None
for number in range(0,101): #利用range函数循环0-100，抓去第1页到100页。
initialize_url = "https://bj.lianjia.com/zufang/pg" + str(number) + "/#contentList" #字符串拼接出第1页到100页的url；
html_result = get_one_page(initialize_url) #获取URL的text文本
html_xpath = etree.HTML(html_result) #转换成xpath格式
#抓去首页中的url（每页有30条房源信息）
page_url = html_xpath.xpath("//div[@class='content w1150']/div[@class='content__article']//div[@class='content__list']/div/a[@class='content__list--item--aside']/@href")
for i in page_url: #循环每一条房源url
true_url = "https://bj.lianjia.com" + i #获取房源的详情页面url
true_html = get_one_page(true_url) #获取text文本
true_xpath = etree.HTML(true_html) #转换成xpath格式
#抓取页面题目，即：房源详情页的标题
title = true_xpath.xpath("//div[@class='content clear w1150']/p[@class='content__title']//text()")
#抓取发布时间并对字符串进行分割处理
release_date = true_xpath.xpath("//div[@class='content clear w1150']//div[@class='content__subtitle']//text()")
release_date_result = str(release_date[2]).strip().split("：")[1]
#抓取价格
price = true_xpath.xpath("//div[@class='content clear w1150']//p[@class='content__aside--title']/span//text()")
#抓取房间样式
house_type = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[2]//text()")
#抓取房间面积
acreage = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[3]//text()")
print(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage))
#写入操作，将信息写入一个text文本中
with open(r"E:\admin.txt",'a') as f:
f.write(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage) + "\n")
最后将爬取的信息一边输出一边写入文本；当然也可以直接写入 JSON 文件或者直接存入数据库；
啊，最后，竟然忘了说正向代{过}{滤}理了；
正向代{过}{滤}理是因为怕被封才用的，自己搭建一个正向代{过}{滤}理，或者在网上购买都可以，不过本数据没有侵犯性，纯属为了便于自己观察租房的信息，找到合适的房源的，如有侵权，请联系，删帖。
| 
[复制链接]
发表于 2019-11-20 09:07
