Python-新手爬取安居客新房房源

新手，整个程序还有不少瑕疵。

1.房源访问的网址为城市的拼音+后面统一的地址。须要用到xpinyin库

2.用了2种解析网页数据的库bs4和xpath（先学习的bs4，学了xpath后部分代码改为xpath）

遇到的问题：

1.在解析页面时，鼠标点击过位置的div的class属性值有变化，没有注意，致使浪费很长时间。下图，点击后的div的class属性值的空格没有了。

 

2.基础学习还要增强，字符串和列表基本命令和转换使用不熟练。

3.没有真正理解 new_list = [i for i in list if i != ''] #删除列表里的空值 这条语句的意思，只是照搬过来用。

import urllib.request import urllib.parse from bs4 import BeautifulSoup from xpinyin import Pinyin import time from lxml import etree import json class anjuk_spider(object): url = '.fang.anjuke.com/loupan/all/'
    def __init__(self,city): self.city = city #建一个空列表，存放全部的房源信息
        self.items = [] #把输入的城市转换成拼音
    def citypinyin(self,city): p = Pinyin() return p.get_pinyin(self.city,'') #构建请求体
    def handle_request(self,city_url,page_num): city_url = city_url + 'p' + str(page_num + 1) + '/' headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36" } request = urllib.request.Request(city_url, headers=headers) return request #解析价格
    def price(self,item): temp = item.xpath('.//a[@class="favor-pos"]/p[1]/text()')[0] if temp == '售价待定': temp = temp + " 周边均价：" + item.xpath('.//a[@class="favor-pos"]/p/span/text()')[0] + "元/㎡"
        else: temp = temp + item.xpath('.//a[@class="favor-pos"]/p/span/text()')[0] + "元/㎡"
        return temp #解析户型
    def huxing(self,item): temp = item.xpath('.//a[@class="huxing"]//text()') # 第1步，先创建个空列表。整理爬下来的列表,去掉空格，换行等
        list = [] for item in temp: item = item.replace("\n", "").replace("\t", "").replace("\xa0", "").replace("/", "").replace(" ", "") list.append(item) # 删除列表里的空值
        new_list = [i for i in list if i != ''] # 把整理好的列表转换成新字符串
        item_huxing = "/".join(new_list) return item_huxing #解析位置
    def address(self,item): temp = item.xpath('.//a[@class="address"]//span[@class="list-map"]/text()')[0] end_item_address = temp.find("]") item_address = temp[end_item_address + 2:] return item_address #解析数据
    def parse_content(self,content): #利用xpath提取数据
        tree = etree.HTML(content) div_list = tree.xpath('//div[@class="key-list imglazyload"]//div[@class="item-mod "]') for item in div_list: try: #小区名称
                item_name = item.xpath('.//h3//span[@class="items-name"]/text()')[0] #小区位置
                item_address = self.address(item) #小区户型
                item_huxing = self.huxing(item) # 小区价格
                item_Price = self.price(item) #把数据存放到字典中
                dict = { "小区名称":item_name, "小区位置":item_address, "户型面积":item_huxing, "价格":item_Price, } #每条字典更新到列表中
 self.items.append(dict) print("小区名称：%s | 位置：%s" %(item_name,item_address)) print("%s｜价格：%s" %(item_huxing,item_Price)) print("******************************************************************************") time.sleep(1) # print("小区名称：%s | 小区位置：%s |价格：%s" % (item_name,item_address,item_Price))
            except: print("读取出现问题！") def run(self): # 先要取得请求网址,请求网址的组合为城市拼音+上后面的网址
        citypinyin = self.citypinyin(self.city) #输入的城市请求网址
        city_url = 'https://' + citypinyin + self.url headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36" } #请求体
        city_request = urllib.request.Request(city_url,headers = headers) # 发送请求
        content = urllib.request.urlopen(city_request).read().decode() #处理响应数据，提取当前房源数量，判断应读取几页数据
        #建立bs4对象
        soup = BeautifulSoup(content,'lxml') temp_page = int(soup.select('.list-results > .key-sort > .sort-condi > span > em')[0].text) #用取得的房源数量，计算须要读取多少页数据
        #每页有60条数据，若是能整除，那就有总数/60页，若是不能整除，那么就总数/60取整+1页。
        if temp_page <= 60: page = 1
        if (temp_page % 60) == 0: page = temp_page / 60
        else: page = (temp_page // 60) + 1

        #发送请求
        for page_num in range(page): #输入网址，页数，反回请求数据
            request = self.handle_request(city_url,page_num) content = urllib.request.urlopen(request).read().decode() #解析数据
 self.parse_content(content) time.sleep(2) #转成json格式
            string = json.dumps(self.items,ensure_ascii=False) #将数据写入文本中
            with open('安居客房价.txt','w',encoding='utf-8') as f: f.write(string) print("存入文本！") def main(): city = input("请输入城市名字：") #建立对象，开始爬取数据
    spider = anjuk_spider(city) spider.run() if __name__ == '__main__': main()