App下載

Python怎么爬取房源數(shù)據(jù)?爬蟲(chóng)實(shí)戰(zhàn)!

猿友 2021-07-21 11:22:56 瀏覽數(shù) (2997)
反饋

許多小伙伴在學(xué)習(xí)爬蟲(chóng)的時(shí)候缺少一些實(shí)際項(xiàng)目進(jìn)行練手,今天小編帶來(lái)了一個(gè)python爬取房源數(shù)據(jù)的python爬蟲(chóng)源代碼。接下來(lái)就讓我們來(lái)看一看怎么爬取房源數(shù)據(jù)吧。

一、爬蟲(chóng)是什么?

 在進(jìn)行大數(shù)據(jù)分析或者進(jìn)行數(shù)據(jù)挖掘的時(shí)候,數(shù)據(jù)源可以從某些提供數(shù)據(jù)統(tǒng)計(jì)的網(wǎng)站獲得,也可以從某些文獻(xiàn)或內(nèi)部資料中獲得,但是這些獲得數(shù)據(jù)的方式,有時(shí)很難滿(mǎn)足我們對(duì)數(shù)據(jù)的需求,而手動(dòng)從互聯(lián)網(wǎng)中去尋找這些數(shù)據(jù),則耗費(fèi)的精力過(guò)大。此時(shí)就可以利用爬蟲(chóng)技術(shù),自動(dòng)地從互聯(lián)網(wǎng)中獲取我們感興趣的數(shù)據(jù)內(nèi)容,并將這些數(shù)據(jù)內(nèi)容爬取回來(lái),作為我們的數(shù)據(jù)源,從而進(jìn)行更深層次的數(shù)據(jù)分析,并獲得更多有價(jià)值的信息。 在使用爬蟲(chóng)前首先要了解爬蟲(chóng)所需的庫(kù)(requests)或者( urllib.request ),該庫(kù)是為了爬取數(shù)據(jù)任務(wù)而創(chuàng)建的。

 二、使用步驟

 本篇文章所有url皆為不可用url,不可直接運(yùn)行?。ㄅ廊∷说臄?shù)據(jù)是一種違法行為,學(xué)習(xí)爬蟲(chóng)的時(shí)候請(qǐng)注意?。?/p>

1.引入庫(kù)

代碼如下(示例):

import os
import urllib.request
import random
import time
class BeikeSpider:
    def __init__(self, save_path="./beike"):
        """
        貝殼爬蟲(chóng)構(gòu)造函數(shù)
        :param save_path: 網(wǎng)頁(yè)保存目錄
        """

2.讀入數(shù)據(jù)

代碼如下 :

# 網(wǎng)址模式
        self.url_mode = "http://{}.***.com/loupan/pg{}/"
        # 需爬取的城市
        self.cities = ["cd", "sh", "bj"]
        # 每個(gè)城市爬取的頁(yè)數(shù)
        self.total_pages = 20
        # 讓爬蟲(chóng)程序隨機(jī)休眠5-10秒
        self.sleep = (5, 10)
        # 網(wǎng)頁(yè)下載保存根目錄
        self.save_path = save_path
        # 設(shè)置用戶(hù)代理,是爬蟲(chóng)程序偽裝成瀏覽器
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}
        # 代理IP的信息
        self.proxies = [
            {"https": "123.163.67.50:8118"},
            {"https": "58.56.149.198:53281"},
            {"https": "14.115.186.161:8118"}
        ]

        # 創(chuàng)建保存目錄
        if not os.path.exists(self.save_path):
            os.makedirs(self.save_path)
   def crawl(self):
        """
        執(zhí)行爬取任務(wù)
        :return: None
        """

該處使用的url網(wǎng)絡(luò)請(qǐng)求的數(shù)據(jù)。

3.隨機(jī)選擇一個(gè)ip地址構(gòu)建代理服務(wù)器

 for city in self.cities:
            print("正在爬取的城市:", city)
            # 每個(gè)城市的網(wǎng)頁(yè)用單獨(dú)的目錄存放
            path = os.path.join(self.save_path, city)
            if not os.path.exists(path):
                os.makedirs(path)

            for page in range(1, self.total_pages+1):
                # 構(gòu)建完整的url
                url = self.url_mode.format(city, page)
                # 構(gòu)建Request對(duì)象, 將url和請(qǐng)求頭放入對(duì)象中
                request = urllib.request.Request(url, headers=self.headers)

                # 隨機(jī)選擇一個(gè)代理IP
                proxy = random.choice(self.proxies)
                # 構(gòu)建代理服務(wù)器處理器
                proxy_handler = urllib.request.ProxyHandler(proxy)
                # 構(gòu)建opener
                opener = urllib.request.build_opener(proxy_handler)
                # 使用構(gòu)建的opener打開(kāi)網(wǎng)頁(yè)
                response = opener.open(request)
                html = response.read().decode("utf-8")
                # 網(wǎng)頁(yè)保存文件名(包含路徑)
                filename = os.path.join(path, str(page)+".html")

                # 保存網(wǎng)頁(yè)
                self.save(html, filename)
                print("第%d頁(yè)保存成功!" % page)

                # 隨機(jī)休眠
                sleep_time = random.randint(self.sleep[0], self.sleep[1])
                time.sleep(sleep_time)

該處除隨機(jī)選擇ip地址以外還會(huì)限制爬取數(shù)據(jù)的速度,避免暴力爬取。

4.運(yùn)行代碼

def save(self, html, filename):
        """
        保存下載的網(wǎng)頁(yè)
        :param html: 網(wǎng)頁(yè)內(nèi)容
        :param filename: 保存的文件名
        :return:
        """

        f = open(filename, 'w', encoding="utf-8")
        f.write(html)
        f.close()

    def parse(self):
        """
        解析網(wǎng)頁(yè)數(shù)據(jù)
        :return:
        """
        pass

if __name__ == "__main__":
    spider = BeikeSpider()
    spider.crawl()


運(yùn)行結(jié)果就會(huì)這樣,會(huì)保存在你的文件夾中。

總結(jié)

這里對(duì)文章進(jìn)行總結(jié):今天分析這波代碼目的是為了讓大家清晰明亮的了解python爬蟲(chóng)的運(yùn)作,和大家一起學(xué)習(xí)
以上就是python爬取某房源數(shù)據(jù)的全部?jī)?nèi)容,更多python爬蟲(chóng)實(shí)戰(zhàn)案例請(qǐng)前往W3Cschool進(jìn)行學(xué)習(xí)!



0 人點(diǎn)贊