一个小时多点,完成scrapy爬取官方网站新房的数据,50块到手
cac55 2024-09-19 16:54 575 浏览 0 评论
@Author:BY Runsen
前言
在前几天,接到一个大学生的作业的爬虫单子,要求采用scrapy爬取链家官方网站新房的数据(3-5页即可,太多可能被封禁ip),网址:https://bj.fang.lianjia.com/loupan/,将楼盘名称、价格、平米数等(可以拓展)数据保存到一个json文件中。
为了50块钱,废话不说就是开干。虽说我不是计算机的,还是一个屌丝大三化工学生。
分析网页
那么今天教大家用Scarpy爬取链家网,爬取网页如下:http://bj.fang.lianjia.com/loupan/。
点击其中的一个来看看,https://bj.fang.lianjia.com/loupan/p_zjtfbkrhf/?fb_expo_id=303816048586158080
新建项目
新建项目和爬虫文件这些太简单,都是老套路, pass了。新建的项目如下。
加请求头
第一步,傻逼都知道加请求头。
在setting.py加MY_USER_AGENT
MY_USER_AGENT = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
]
然后去Middleware.py去搞一个RandomUserAgentMiddleware,这代码找之前的scrapy爬虫项目直接复制,简单。
import random
class RandomUserAgentMiddleware(object):
def __init__(self, user_agents):
self.user_agents = user_agents
@classmethod
def from_crawler(cls, crawler):
# 从settings.py中导入MY_USER_AGENT
s = cls(user_agents=crawler.settings.get('MY_USER_AGENT'))
return s
def process_request(self, request, spider):
agent = random.choice(self.user_agents)
request.headers['User-Agent'] = agent
return None
去setting.py开启上它。900记得, 老套路。
DOWNLOADER_MIDDLEWARES = {
# 'lianjia.middlewares.LianjiaDownloaderMiddleware': 543,
'lianjia.middlewares.RandomUserAgentMiddleware': 900,
}
OK,请求头headers搞定,代码都是复制的,3分钟OK。
搞定item
item就是把爬取的信息储存起来,爬取楼盘名称、类型,位置,价格、平米数,代码编写需要两分钟。
import scrapy
'''
目标:爬取链家官方网站新房的数据(3-5页即可,太多可能被封禁ip)
网址:https://bj.fang.lianjia.com/loupan/
要求:将楼盘名称、价格、平米数等(可以拓展)数据保存到一个json文件中。
交付:整个project的压缩包
'''
class LianjiaItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
"""楼盘名称、类型,位置,价格、平米数"""
name = scrapy.Field()
type = scrapy.Field()
location = scrapy.Field()
price = scrapy.Field()
number = scrapy.Field()
首页调试
我们需要把详情页的url和建面面积匹配出来,scrapy shell https://bj.fang.lianjia.com/loupan进入shell调试。
在url的a标签发现了class = “resblock-name”的div,下面就是小儿科的东西。
没有域名,直接follow快捷方式完事,可以自动拼接url。
建面面积一样,轻松解决。
在span标签发现了class = “resblock-area”的div,重复下面的操作。
详情页调试
下面就是详情页了,scrapy shell https://bj.fang.lianjia.com/loupan/p_zjtfbkrhf/?fb_expo_id=303816048586158080
下面把楼盘名称搞出来,慢慢调试。
楼盘类型,位置,价格这些,我不一一找了。就是耐心的通过scrapy shell 调试。这里花费了有半个小时。
最后,自己看代码。
import scrapy
from ..items import LianjiaItem
class SpiderSpider(scrapy.Spider):
name = 'spider'
allowed_domains = ['bj.fang.lianjia.com']
start_urls = ['http://bj.fang.lianjia.com/loupan/']
def parse(self, response):
for i in range(1,22):
page_url = 'https://bj.fang.lianjia.com/loupan/pg{}'.format(i)
yield response.follow(page_url,callback =self.parse_page)
def parse_page(self,response):
urls = response.xpath("//div[@class='resblock-name']/a/@href").extract()
nums = response.xpath("//div[@class='resblock-area']/span/text()").extract()
print(urls)
print(nums)
for num,url in zip(nums,urls):
# 用的follow快捷方式,可以自动拼接url
yield response.follow(url=url, meta={'num':num},callback=self.parse_detail)
def parse_detail(self,response):
item = LianjiaItem()
item['name'] = response.xpath("//div[@class='title-wrap']//h2/text()").extract_first()
self.logger.info('正在爬取{}……'.format(item['name']))
item['type'] = response.xpath("//div[@class='tags-wrap']/span[@class='tag-item house-type-tag']/text()").extract_first()
item['location'] = response.xpath("//ul[@class='info-list']//span[@class='content']/text()").extract_first()
item['price'] = response.xpath("//div[@class='price']/span[@class='price-number']/text()").extract_first()
item['number'] = response.meta['num']
yield item
保存json
要求保存json,直接 -o 省事,连Pipeline都不用写。
在setting中开启Pipeline。
ITEM_PIPELINES = {
'lianjia.pipelines.LianjiaPipeline': 300,
}
运行,开一个main.py,scrapy crawl spider -o spider.json
'''
@Author: Runsen
@微信公众号: 润森笔记
@博客: https://blog.csdn.net/weixin_44510615
@Date: 2020/4/13
'''
import sys
import os
from scrapy.cmdline import execute
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(['scrapy','crawl','spider','-o spider.json'])
运行时发现没有中文,看了下我scrapy博客https://maoli.blog.csdn.net/article/details/89012106,加上setting配置FEED_EXPORT_ENCODING = 'utf-8'完成。
FEED_EXPORT_ENCODING = 'utf-8'
运行,ok
一个小时多点,50块到手。最后,我对不起顾客了,把代码公开了,给老师发现那惨了。
相关推荐
- 微软修复 Win11 Wi-Fi 热点问题
-
IT之家6月25日消息,上周,微软官方公告了一个新的已知问题。据微软称,该公司6月14日发布的Windows最新累积更新会导致Wi-Fi热点出现问题,主要出现在OS内部版本...
- 台式电脑怎么连接手机热点?两种方法让台式电脑连接WIFI热点
-
现在的4G5G速度飞快,已经和以往不可比拟了,甚至比宽带还要快不少!很多用户喜欢使用电脑连接手机的热点共享上网,笔记本一般来说比较简单,只需要连接即可,但是台式机大多是没有无线网卡的,要怎么连接手机...
- 长期用手机热点充当WiFi,有哪些坏处呢?
-
有时候难免会出现断网的情况,为了应急可以打开手机热点充当WiFi。打开手机热点充当WiFi方便的不要不要的,既可以解决不时之需,又能随时随地链接WiFi,这样在家或者在外出的时候就不怕笔记本连不了W...
- 笔记本电脑常见故障--有限的访问权限
-
笔记本电脑常见故障--开机无法进入系统笔记本电脑常见故障--蓝屏笔记本电脑常见故障--键盘失效笔记本电脑常见故障--电池检测笔记本电脑常见故障--屏幕闪屏笔记本电脑常见故障--声音问题笔记本电脑常见故...
- win10这样开移动热点 简单拥有自己WIFI
-
如果你是windows10操作系统,可以尝试下面方案方便拥有自己的wifi。1.点击“开始”菜单,即电脑最左下方那个图标,然后点击“设置”;2.在设置页面点击“网络和Internet”3.在网络和In...
- 电脑开热点给手机七步法,买路由器的钱都省了
-
过年了,回到家里网络太差,信号太卡,或者流量不够?只给用电脑给手机开热点吧!简简单单七步就可以让自己的流量不愁。方案一1.win+I键打开windows设置2,点击打开网络和Internet中移动热点...
- 网友问题解答:雷哥我惠普的电脑搜索不到自己的手机热点啊?
-
网友问题解答:雷哥我惠普的电脑怎么链接我自己的手机热点啊,搜索不到自己的手机热点穷弊首先你的电脑要有无线网卡才能连接手机热点确认有了以后按照常见的以下步骤操作:1.首先打开手机热点,它的位置然后我们...
- 实用的教程:将手机变成WiFi热点,上网就这么简单
-
有时候我们需要电脑上网,可是周围没有网络怎么办,只有求助于我们的手机,让手机成为WiFi热点供给电脑上网,废话不说,图文教程。一,周围有WiFi网络1.下载当下最流行的“WiFi万能钥匙‘,利用此款...
- iphone变身路由器,个人热点设置可以共享网络给别人
-
iphone6个人热点wifi如何设置,iphone6怎么共享热点,如何让iPhone6连接电脑上网,设置个人热点之后,笔记本电脑就可以连接手机的热点进行上网了哦。1、在手机设置选择进入个人热点。2、...
- 笔记本电脑提示ipv4和ipv6无网络访问权限上不了网怎么办
-
电脑提示不可以上网,提示ipv4和ipv6m无网络访问权限怎么办?方法一:网络共享中心中的访问权限设置错乱导致的,将权限重新设置即可以管理员身份运行命令提示符;输入“netshwinsockres...
- 拨号上网的电脑,如何创建wifi热点
-
最近租房遇到一件让人闹心的事情:租住的房子公寓,网络不带就算了,光猫还要交50元押金,路由器还得自己买,如果想连手机,可是想着自己从来没有因为租房子还要买路由器而憋屈,于是上网抱着试试的态度,居然搜到...
- 屋内没有wifi热点怎么办?教你一招解决
-
有时侯可能会碰到这样一种情况,家中没有wifi热点,但墙壁有一个网线接口,假若一时没有无线路由器,但又想用手机等无线设备上网该怎样办呢?假如你带着一台电脑笔记本那就好办了,跟随小编来瞧瞧若果将电脑笔记...
- 如何使用热点将计算机连接到 wifi
-
如何使用热点将计算机连接到wifi无论您是在实验室还是在旅途中,热点共享都是现代生活中的一项便捷功能。对于拥有无线网络的计算机用户来说,创建热点并使用wifi连接是一种便捷的方法。步骤一:创建热点...
- 有一款无线移动硬盘到底有多方便?
-
当我们的数据资料越来越多的时候,大家对存储设备的功能性变得更加关注了。一款趁手的存储工具虽然没有手机那么方便,却可以帮助手机实现更大的功用。为何这么说?这就要说到今天跟大家分享的无线移动硬盘了。传输方...
- Win11 新功能:可通过Wi-Fi面板直接打开并连接到手机热点
-
IT之家10月28日消息,微软今日向开发频道推出了Windows11预览版25231,该预览版包含一个有趣的新功能,那就是用户将能够让电脑直接打开并连接到安卓手机的热点,无需去手动打开...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- 如何绘制折线图 (52)
- javaabstract (48)
- 新浪微博头像 (53)
- grub4dos (66)
- s扫描器 (51)
- httpfile dll (48)
- ps实例教程 (55)
- taskmgr (51)
- s spline (61)
- vnc远程控制 (47)
- 数据丢失 (47)
- wbem (57)
- flac文件 (72)
- 网页制作基础教程 (53)
- 镜像文件刻录 (61)
- ug5 0软件免费下载 (78)
- debian下载 (53)
- ubuntu10 04 (60)
- web qq登录 (59)
- 笔记本变成无线路由 (52)
- flash player 11 4 (50)
- 右键菜单清理 (78)
- cuteftp 注册码 (57)
- ospf协议 (53)
- ms17 010 下载 (60)