Python爬虫三：抓取链家已成交二手房信息（58W数据）
环境：Windows7+python3.6+Pycharm2017html
目标：抓取链家北京地区已成交二手房信息（无需登陆），以下图，户型、朝向、成交时间价格等，保存到csv。最后一共抓取约58W数据，程序运行8h。python
---所有文章： 京东爬虫 、链家爬虫、美团爬虫、微信公众号爬虫、字体反爬、Django笔记、阿里云部署、vi\vim入门----json
1、打开北京二手房网页https://bj.lianjia.com/ershoufang/，默认显示的是在售二手房信息，一共45634套，可是只显示了100页，每页30条，这3000条信息是没有任何反爬的，能够直接抓取，若是要抓取所有45634条，应该要按小区来。本文主要讨论已成交二手房信息，数据量更大，难度也要高一点。vim
2、点击页面右上角成交，切换到已成交二手房信息，显示一共有73W条数据，可是也只显示100页，每页30条共3000条信息。并且还有个问题就是近30天内成交的房源的成交时间、价格信息是不显示的。咱们能够右键检查进入开发者模式，在网页的html代码中找到房源的详情页面的url，而后进入详情页面抓取成交时间、价格。服务器
3、如何抓取尽量多的房源信息微信
如今问题就是73W已成交二手房信息，怎么能尽量多的抓下来。 办法就是这些房源经过分类来抓取，好比分不一样区域，价格，小区，这样能够抓到更多的数据。本文选用按小区抓取。点击页面上方小区，进入以下页面，再点击返回所有小区列表。显示一共有11435个小区，虽然下面翻页只有30页，可是咱们能够经过构造url来翻页，实测能够翻到100页,100页后都是重复的，共3000个小区。每页的url以下：多线程
第2页：https://bj.lianjia.com/xiaoqu/pg2/app
第3页：https://bj.lianjia.com/xiaoqu/pg3/函数
第100页：https://bj.lianjia.com/xiaoqu/pg100/字体
4、如何抓取每一个小区的已成交二手房信息
点击某个小区如北京新天地，进入小区详情页面，下拉找到北京新天地小区成交记录，点击下面的查看所有成交记录，便可获得该小区所有已成交房源信息。经过左上角房源总数2133套，除以每页30套，咱们能够获得该小区已成交房源一共有多少页。近30天内成交的进入详情页面抓取。观察页面的url https://bj.lianjia.com/chengjiao/c1111027375945/ ，观察规律就是最后的一串数字是变化的，是每一个小区的id。翻页的规律以下：
第二页：https://bj.lianjia.com/chengjiao/pg2c1111027375945/
第三页：https://bj.lianjia.com/chengjiao/pg3c1111027375945/
因此咱们的思路就是先抓取每一个小区的id，而后构造小区成交房源页面的url，经过房源总数来得知该小区一共有多少页，翻页抓取。近30天内成交的须要进入详情页面抓取，其余的直接在列表页面就能够。
5、抓取小区id
一共100页，每页的url以下，也很简单，直接每一个li标签中的data-id属性就是小区的id。注意的是该页面有对ip访问次数作限制，单ip连续访问好像是25页就会被封，因此须要采用代理ip，这里每一个ip只抓取20页。还有一点须要注意的就是抓取的id须要作排重，此处用的set。还有就是对于第一次访问没有获得数据的页面须要再次访问。
https://bj.lianjia.com/xiaoqu/pg2/
https://bj.lianjia.com/xiaoqu/pg3/
实际一共抓取到2990个id，保存到本地csv，代码以下。
import requests
from lxml import etree
import csv
import time
import json
#单线程抓取小区id前100页信息
def get_xiaoqu(x,p):
head = {'Host': 'bj.lianjia.com',
'Referer': 'https://bj.lianjia.com/chengjiao/',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
}
n=x*20+1
l=list(range(n,n+20))
for i in l:
url = 'https://bj.lianjia.com/xiaoqu/pg' + str(i)
try:
r = requests.get(url, headers=head, proxies=p, timeout=3)
html = etree.HTML(r.text)
datas=html.xpath('//li[@class="clear xiaoquListItem"]/@data-id')
title=html.xpath('//li[@class="clear xiaoquListItem"]/div[@class="info"]/div[@class="title"]/a/text()')
print('No:' + str(x), 'page:' + str(i), len(s), len(datas), len(title))
#若是当前页没有返回数据，将当前页数加到列表l末尾，再次抓取
if len(datas)==0:
print(url)
l.append(i)
else:
for data in datas:
s.add(data)
# 若是当前页访问出现异常，将当前页数加到列表l末尾，再次抓取
except Exception as e:
l.append(i)
print(e)
print(' ****No:'+str(x)+' finish')
#本人购买的代理获取方式，须要根据大家本身的修改。函数功能获取n个ip，并以列表形式返回，每一个元素为字典：{'https':'https://118.120.228.202:4286'}
def get_ip(n):
url='XXXXXXXXXXXXXXXXXXXXXXXX'
r=requests.get(url)
html=json.loads(r.text)
proxies=[]
for i in range(n):
a=html['data'][i]['ip']
b=html['data'][i]['port']
val='https://'+str(a)+':'+str(b)
p={'https':val}
proxies.append(p)
return(proxies)
if __name__=='__main__':
global s
#将id保存在set中，达到排重效果
s = set()
#该页面网站会禁ip，因此每一个ip只访问20页
for x in range(5):
now=time.time()
ls = get_ip(1)
p=ls[0]
get_xiaoqu(x,p)
print(time.time()-now)
print('******************')
print('抓取完成')
#将抓取的id保存到本地csv
with open('xiaoqu_id.csv', 'a', newline='', encoding='gb18030')as f:
write = csv.writer(f)
for data in s:
write.writerow([data])
f.close()
6、对每一个小区已成交房源信息进行抓取
本文没有开多线程（开5个线程跑了几分钟好像也没遇到问题），也没遇到封ip，就没加代理。逻辑很简单，parse_xiaoqu(url,pa) 函数用于爬取小区具体一页的房源信息，先抓取第一页数据，获取房源信息的同时得到该小区房源总数，而后肯定该小区一共有多少页。而后就是对每一页调用parse_xiaoqu(url,pa)进行抓取。主要注意点有：
一、对于第一次抓取失败的页面，包括timeout这种异常和无异常可是返回0条房源信息两种状况，都须要对这些页面进行第二次的抓取。parse_xiaoqu(url,pa)返回值中有一个1或0就是用以标记本次抓取是否成功。第一次抓取失败的，第二次抓取成功的数据还挺多的。
二、爬取过程当中遇到报错中断，能够经过已经抓取的小区数量，修改range（0，2990）函数的第一个参数达到断点后续抓。
代码以下，代码应该是把小区id导入就能够直接运行的。
import requests
from lxml import etree
import csv
import time
import threading
#小区具体一页房源信息的抓取，输入为当前页面url,当前爬取页数pa。返回数据为小区房源总数num，该页抓取的房源信息home_list,状态码1或0（1表示成功）
def parse_xiaoqu(url,pa):
head = {'Host': 'bj.lianjia.com',
'Referer': 'https://bj.lianjia.com/chengjiao/',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
}
r = requests.get(url, headers=head,timeout=5)
html = etree.HTML(r.text)
num = html.xpath('//div[@class="content"]//div[@class="total fl"]/span/text()')[0]
num = int(num)
datas = html.xpath('//li/div[@class="info"]')
print('小区房源总数：', num,'第%d页房源数:'%pa,len(datas))
print(url)
if len(datas)==0:
return(num,[],0) #服务器无返回数据，状态码返回0
house_list=[]
for html1 in datas:
title = html1.xpath('div[@class="title"]/a/text()')
info = html1.xpath('div[@class="address"]/div[@class="houseInfo"]/text()')
floor = html1.xpath('div[@class="flood"]/div[@class="positionInfo"]/text()')
info[0] = info[0].replace('\xa0','') #该条信息中有个html语言的空格符号 ；须要去掉，否则gbk编码会报错，gb18030显示问号
date = html1.xpath('div[@class="address"]/div[@class="dealDate"]/text()')
#30天内成交的进入详情页面抓取
if date[0] == '近30天内成交':
p_url = html1.xpath('div[@class="title"]/a/@href')
r = requests.get(p_url[0], headers=head,timeout=5)
html = etree.HTML(r.text)
price = html.xpath('//div[@class="overview"]/div[@class="info fr"]/div[@class="price"]/span/i/text()')
unitprice = html.xpath('//div[@class="overview"]/div[@class="info fr"]/div[@class="price"]/b/text()')
date = html.xpath('//div[@class="house-title LOGVIEWDATA LOGVIEW"]/div[@class="wrapper"]/span/text()')
#有的房源信息没有价格信息，显示暂无价格
if len(price)==0:
price.append('暂无价格')
if len(unitprice)==0:
unitprice.append('暂无单价')
date[0] = date[0].replace('链家成交', '')
a = [title[0], info[0], floor[0], date[0], price[0], unitprice[0]]
house_list.append(a)
print(title[0], info[0], floor[0], date[0], price[0], unitprice[0])
else:
price = html1.xpath('div[@class="address"]/div[@class="totalPrice"]/span/text()')
unitprice = html1.xpath('div[@class="flood"]/div[@class="unitPrice"]/span/text()')
if len(price) == 0:
price = ['暂无价格']
if len(unitprice) == 0:
unitprice = ['暂无单价']
a = [title[0], info[0], floor[0], date[0], price[0], unitprice[0]]
house_list.append(a)
print(title[0], info[0], floor[0], date[0], price[0], unitprice[0])
print(' ********************* ','第%d页完成！'%pa)
return (num,house_list,1)
#抓取某小区全部已成交二手房信息，排重后存入本地csv，输入为小区id，返回抓取到的该小区的房源总数
def crow_xiaoqu(id):
url='https://bj.lianjia.com/chengjiao/c%d/'%int(id)
h_list=[] #保存该小区抓取的全部房源信息
fail_list=[] #保存第一次抓取失败的页数，第一遍抓取完成后对这些页数再次抓取
try:
#爬取小区第一页信息
result=parse_xiaoqu(url,1)
except:
#若是第一页信息第一次爬取失败，sleep2秒再次爬取
time.sleep(2)
result=parse_xiaoqu(url,1)
#获取该小区房源总数num
num = result[0]
#若是无数据返回，sleep2秒再爬取一次
if num == 0:
time.sleep(2)
result=parse_xiaoqu(url,1)
num = result[0]
new_list = result[1]
pages=1
for data in new_list:
if data not in h_list:
h_list.append(data)
# 肯定当前小区房源页数pages
if num > 30:
if num % 30 == 0:
pages = num // 30
else:
pages = num // 30 + 1
for pa in range(2,pages+1):
new_url = 'https://bj.lianjia.com/chengjiao/pg'+str(pa)+'c'+str(id)
try:
result=parse_xiaoqu(new_url,pa)
status=result[2]
if status==1:
new_list=result[1]
#排重后存入h_list
for data in new_list:
if data not in h_list:
h_list.append(data)
else:
fail_list.append(pa)
except Exception as e:
fail_list.append(pa)
print(e)
print(' 开始抓取第一次失败页面')
for pa in fail_list:
new_url = 'https://bj.lianjia.com/chengjiao/pg' + str(pa) + 'c' + str(id)
print(new_url)
try:
result = parse_xiaoqu(new_url,pa)
status = result[2]
if status == 1:
new_list = result[1]
for data in new_list:
if data not in h_list:
h_list.append(data)
else:
pass
except Exception as e:
print(e)
print(' 抓取完成，开始保存数据')
#一个小区的数据所有抓完后存入csv
with open('lianjia_123.csv','a',newline='',encoding='gb18030')as f:
write=csv.writer(f)
for data in h_list:
write.writerow(data)
#返回抓取到的该小区房源总数
return(len(h_list))
if __name__=='__main__':
counts=0 #记录爬取到的房源总数
now=time.time()
id_list=[]
with open('xiaoqu_id.csv','r')as f:
read=csv.reader(f)
for id in read:
id_list.append(id[0])
m=0
#能够经过修改range函数的起始参数来达到断点续抓
for x in range(0,2990):
m+=1 #记录一共抓取了多少个小区
print(' 开始抓取第'+str(m)+'个小区')
time.sleep(1)
count=crow_xiaoqu(id_list[x])
counts=counts+count
#打印已经抓取的小区数量，房源数量，所花的时间
print(' 已经抓取'+str(m)+'个小区 '+str(counts)+'条房源信息',time.time()-now)
7、总结
一共抓取了 58W条数据，程序跑了8h，速度通常。主要缺点就是程序不够顽强，中途中断了不少次，须要人工的再次启动，修改range参数才能断点续抓。还有就是1.1W个小区也就抓了3000个，可是从房源数据来看73W数据抓了58w，大概80%。
水平有限，但愿你们指正。
---所有文章： 京东爬虫 、链家爬虫、美团爬虫、微信公众号爬虫、字体反爬、Django笔记、阿里云部署、vi\vim入门----
欢迎关注我的公众号，更多案例持续更新！