石頭的作業~第一周第三節練習項目:爬取租房信息

實戰計劃0430-石頭的練習作業

練習的要求


課程要求抓取的內容:

實現效果如下

運行結果

相關代碼

__author__ = 'daijielei'

'''
11課時練習,從小豬短租處抓取一堆租房詳情
'''
from bs4 import BeautifulSoup   #解析html文檔用
import requests                 #抓取html頁面用
import time

#urls用來制定抓取范圍,header該處無用處
header = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36',
    'Host':'bj.xiaozhu.com'
}


#getlist用來抓取對應網頁上的每個列表的跳轉url
#測試用url = "http://bj.xiaozhu.com/search-duanzufang-p1-0/"
def getlist(url):
    webData = requests.get(url,headers=header)
    soup = BeautifulSoup(webData.text,'lxml')

    houselists = soup.select('ul > li > a')

    for houselist in houselists:
        listUrl = str(houselist.get('href'))
        if(listUrl.find('http://bj.xiaozhu.com/fangzi/')!=-1):#確認鏈接內容為詳情頁,則進行詳情頁信息抓取
            #print(listUrl)
            getInfoPage(listUrl)


#getInfoPage用來抓取詳情頁里的相關信息,如標題、地址、金額、房屋圖片、擁有人圖片等等
#測試用url = "http://bj.xiaozhu.com/fangzi/525041101.html"
def getInfoPage(url):
    webData = requests.get(url,headers=header)
    soup = BeautifulSoup(webData.text,'lxml')
    time.sleep(2)

    titles = soup.select('body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > h4 > em')
    address = soup.select('body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > p > span.pr5')
    pays = soup.select('#pricePart > div.day_l > span')
    houseimages = soup.select('#curBigImage')
    ownerimages = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > a > img')
    ownernames = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')
    ownerSexs = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > span')

    for title,addres,pay,houseimage,ownerimage,ownername,ownerSex in zip(titles,address,pays,houseimages,ownerimages,ownernames,ownerSexs):
        data = {
            'title':title.get_text(),
            'addres':addres.get_text(),
            'pay':pay.get_text(),
            'houseimage':houseimage.get('src'),
            'ownerimage':ownerimage.get('src'),
            'ownername':ownername.get_text(),
            'ownerSex':'female'
        }
        if('member_boy_ico' in str(ownerSex['class'])):#該處用來判斷是男性還是女性,男性是通過標簽來區分
            data['ownerSex'] = "male"
        print(data)

def startCatch():
    urls = ["http://bj.xiaozhu.com/search-duanzufang-p{}-0/".format(str(i)) for i in range(1,3,1)]
    for url in urls:
        getlist(url)

#入口,該語句只有直接執行時會被調用
if __name__ == '__main__':
    startCatch()

筆記、想法、總結

1、這個代碼是之前寫的了,所以顯得比較亂,尤其是抓取的部分現在寫的話我就不會用這種寫法了

2、這里面主要有3個函數,功能還是比較清晰,先爬取列表,再進列表里去爬取數據:

def startCatch():    #用來便利列表,會調用getlist
def getlist(url):      #用來抓取列表的數據,會調用getInfoPage
def getInfoPage(url):#抓取詳情頁的數據

3、比較難抓的數據只有性別信息,因為不是直接能抓取的值,而是要做一下判斷:
在html中為如下,是用span里的class來區別男女,男為member_boy_ico、女為member_girl_ico:

<h6>
<a class="lorder_name"  title="ocheese" target="_blank">ocheese</a>
<span class="member_girl_ico"></span>
</h6>

代碼中就是做一下判斷即可

        if('member_boy_ico' in str(ownerSex['class'])):#該處用來判斷是男性還是女性,男性是通過標簽來區分
            data['ownerSex'] = "male"
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容