如何使用python爬虫+正向代理实现链家数据收集

这篇文章主要介绍了如何使用python爬虫+正向代理实现链家数据收集，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

专注于为中小企业提供网站设计制作、成都网站设计服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业合作免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了千余家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

一、选择目标网站：

链[lian]家[jia]：https://bj.lianjia.com/

点击【租房】，进入租房首页：

这就是要爬取的首页了；

二、先爬取一页

1、分析页面
右击一个房源的链接，点击[检查]，如图：

进入开发者模式，
此时可以看到 a 标签中的链接：

使用 xpath 就可以把链接提取出来，不过该链接是真实 url 的后半段，需要进行字符串拼接才能获取到真正的 url；

后面会在代码中体现；
爬取的信息暂且只对下图中标出的进行爬取：

包括 标题、时间、价格、房间格局、面积 ；

三、对全部页面进行爬取

1、分析页面 url

点击租房，找到其跳转到的网页：https://bj.lianjia.com/zufang/
对，这就是要爬取的首页：

我们往下拉到最底端，点击下一页或者其他页，
第 1 页：https://bj.lianjia.com/zufang/pg1/#contentList
第 2 也：https://bj.lianjia.com/zufang/pg2/#contentList
第 3 页：https://bj.lianjia.com/zufang/pg3/#contentList
.
.
.
第 100 页：https://bj.lianjia.com/zufang/pg100/#contentList

通过观察 url 可以发现规律：每一页只有 pg 后面的数字在变，且与页数相同；
拼接字符串后使用一个循环即可对所有页面进行爬取；

四、源码

开发工具：pycharm
python版本：3.7.2

import requests
from lxml import etree

#编写了一个常用的方法，输入url即可返回text的文本；
def get_one_page(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
    }
    response = requests.get(url,headers=headers)
    response.encoding = 'utf-8'
    if response.status_code == 200:
        return response.text
    else:
        print("请求状态码 != 200,url错误.")
        return None

for number in range(0,101):     #利用range函数循环0-100，抓去第1页到100页。
    initialize_url = "https://bj.lianjia.com/zufang/pg" + str(number) + "/#contentList"     #字符串拼接出第1页到100页的url；

    html_result = get_one_page(initialize_url)  #获取URL的text文本
    html_xpath = etree.HTML(html_result)        #转换成xpath格式
    #抓去首页中的url（每页有30条房源信息）
    page_url = html_xpath.xpath("//div[@class='content w1150']/div[@class='content__article']//div[@class='content__list']/div/a[@class='content__list--item--aside']/@href")

    for i in page_url:      #循环每一条房源url
        true_url = "https://bj.lianjia.com" + i     #获取房源的详情页面url
        true_html = get_one_page(true_url)      #获取text文本
        true_xpath = etree.HTML(true_html)      #转换成xpath格式

        #抓取页面题目，即：房源详情页的标题
        title = true_xpath.xpath("//div[@class='content clear w1150']/p[@class='content__title']//text()")
        #抓取发布时间并对字符串进行分割处理
        release_date = true_xpath.xpath("//div[@class='content clear w1150']//div[@class='content__subtitle']//text()")
        release_date_result = str(release_date[2]).strip().split("：")[1]
        #抓取价格
        price = true_xpath.xpath("//div[@class='content clear w1150']//p[@class='content__aside--title']/span//text()")
        #抓取房间样式
        house_type = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[2]//text()")
        #抓取房间面积
        acreage = true_xpath.xpath("//div[@class='content clear w1150']//ul[@class='content__aside__list']//span[3]//text()")

        print(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage))

        #写入操作，将信息写入一个text文本中
        with open(r"E:\admin.txt",'a') as f:
            f.write(str(title) + " --- " + str(release_date_result) + " --- " + str(price) + " --- " + str(house_type) + " --- " + str(acreage) + "\n")

最后将爬取的信息一边输出一边写入文本；当然也可以直接写入 JSON 文件或者直接存入数据库；

感谢你能够认真阅读完这篇文章，希望小编分享的“如何使用python爬虫+正向代理实现链家数据收集”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!