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)!