python3 爬蟲爬取深圳公租房輪候庫(深圳房網)
阿新 • • 發佈:2019-01-28
深圳公租房輪候庫已經朝著幾十萬人的規模前進了,這是截至16年10月之前的資料了,貼上來大家體會下
所以17年已更新妥妥的10W+
今天就拿這個作為爬蟲的練手專案
1、環境準備:
作業系統:win10
python版本:python3.5.3
開發工具:sublime 3
python需要安裝的庫:
anaconda 沒安裝的可以去https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/這裡下載,國內映象比較快;
Requests urllib的升級版本打包了全部功能並簡化了使用方法(點我檢視官方文件)
beautifulsoup 是一個可以從HTML或XML檔案中提取資料的Python庫.它能夠通過你喜歡的轉換器實現慣用的文件導航,查詢,修改文件的方式.( 點我檢視官方文件)
LXML 一個HTML解析包 用於輔助beautifulsoup解析網頁
Requests ,beautifulsoup ,LXML 模組安裝方式:windows的命令提示符視窗輸入以下程式碼即可
pip install requests
pip install beautifulsoup4
pip install lxml
直接貼程式碼吧
import requests from bs4 import BeautifulSoup import os class Gongzufang(): #獲取頁面資料 def all_url(self,url): html= self.request(url) all_a = BeautifulSoup(html.text, 'lxml').find('table', class_='sort-tab').find_all('tr') for a in all_a: title = a.get_text("|", strip=True) print(title) #self.save_data(url) #獲取分頁面地址 def html(self, url): html = self.request(url) max_span= BeautifulSoup(html.text, 'lxml').find('div', class_='fix pagebox').find_all('a')[-3].get_text() for page in range(1, int(max_span) + 1): page_url = url + '/' + '0-'+str(page)+'-0-0-1' self.all_url(page_url) def save_data(self,data_url):#下載資料 pass #獲取網頁的response 然後返回 def request(self, url): headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.10240','Connection': 'Keep-Alive','Referer':'http://www.mzitu.com/tag/baoru/'} content = requests.get(url, headers=headers) return content #例項化 Gongzufang = Gongzufang() #給函式all_url、html傳入引數 你可以當作啟動爬蟲(就是入口) Gongzufang.html('http://anju.szhome.com/gzfpm') Gongzufang.all_url('http://anju.szhome.com/gzfpm')
結果如下:
後續:
結果爬到6w+的時候出現了個偏僻字:。。
襯衫哥決定不填這個坑,反正只是想爬身份證的資訊。。
修改後的程式碼如下:
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
#import os
import re
#import sys
#import io
#sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')
class Gongzufang():
#獲取頁面資料
def all_url(self,url):
html = self.request(url)
all_a = BeautifulSoup(html.text, 'lxml').find('table', class_='sort-tab').find_all('tr')
#all_a = BeautifulSoup(html.text, 'lxml').find('table', class_='sort-tab').find_all('td')[0:9]
for a in all_a:
for find_td in a.find_all('td')[4:5]:
text_td = find_td.get_text("\r", strip=True)
print(text_td)
with open('d:/test.txt', 'a') as f:
print(text_td,file=f)
#print(title)
#獲取分頁面地址
def html(self, url):
html = self.request(url)
max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='fix pagebox').find_all('a')[-3].get_text()
for page in range(1, int(max_span) + 1):
page_url = url + '/' + '0-'+str(page)+'-0-0-1'
self.all_url(page_url)
def save_data(self,data_url):#下載資料
pass
#獲取網頁的response 然後返回
def request(self, url):
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.10240','Connection': 'Keep-Alive','Referer':'http://www.mzitu.com/tag/baoru/'}
content = requests.get(url, headers=headers)
return content
#例項化
Gongzufang = Gongzufang()
#給函式all_url、html傳入引數 你可以當作啟動爬蟲(就是入口)
Gongzufang.html('http://anju.szhome.com/gzfpm')
Gongzufang.all_url('http://anju.szhome.com/gzfpm')
現在又可以開始快樂的爬取資料了