这是我第一个爬虫项目,因为我有一些其他语言的基础,所以在入坑python十来天后终于完成了一个小项目,其间的辛酸不足为外人道也...说了这么多,那就让我们开始吧。
1.先看看使用的库:
import requestsimport pymysqlfrom bs4 import BeautifulSoupimport datetimeimport re
requests库用于处理url,并将其转化为文本格式,用来分析;
BeautifulSoup库用于将处理的文本格式化为html的形式,可以方便的使用CSS来查找链接,寻找相似性,并且其中还用到过re库,使用正则表达式与前者的寻找链接速度做过比对,但是正则表达式直接分析文本不经BeautifulSoup转化虽然快,但是在使用的过程中发现会有很多重复;
datetime库用来计算程序运行时间;
pymysql用来对MySQL数据库进行操作,将爬取的数据全部存入数据库中,而且python3貌似不支持mysqldb;
2.函数(方法基本都写成了函数,避免代码重复)
下面代码中,使用beautifulSoup,由于html5lib的兼容性最好,所以我使用的是html5lib,也有其他的,如lxml,大家也可以尝试一下:
# # 直接获取url的text形式,用正则表达式验证看是否能够加速# def get_text(page_url):#response = requests.get(page_url)#response.encoding = 'utf-8'#return response.text# 获取url下的页面内容,返回soup对象def get_htmtext(page_url):soup = BeautifulSoup(requests.get(page_url).text,'html5lib')return soup# 封装成函数,作用是获取列表页下面的所有租房页面链接,生成一个链接列表def get_links(page_url):soup = get_htmtext(page_url)links_div = soup.find_all('div',class_="pic-panel")links = [div.a.get('href') for div in links_div]return links
获取租房信息:
# 获取房屋信息def get_info(link_url):soup = get_htmtext(link_url)price = soup.find('span',class_="total").text #价格unit = soup.find('span',class_="unit").text.strip() #单位,并去掉特殊符号house_info = soup.find_all('p') #获取租房信息area = house_info[0].text[3:]layout = house_info[1].text[5:]floor = house_info[2].text[3:]direction = house_info[3].text[5:]subway = house_info[4].text[3:]community = house_info[5].text[3:].strip()location = house_info[6].text[3:]create_time = house_info[7].text[3:]agent_name = soup.find('a',class_="name LOGCLICK").texthouse_num = soup.find('span',class_="houseNum").text[5:]# 生成字典info = {'house_num': house_num,'price': price,'unit': unit,'area': area,'layout': layout,'floor': floor,'direction': direction,'subway': subway,'community': community,'location': location,'create_time': create_time,'agent_name': agent_name}return info
设置登录数据库的参数以及登入函数:
# 数据库登录参数设置DATABASE ={'host': 'localhost', #如果是远程数据库,此处为远程服务器的IP地址'database': 'test','user': 'root','password': '******'}# 登入数据库def load_db(setting):return pymysql.Connect(**setting)
将数据存入数据库的插入函数:
# 插入数据库函数def insert_sql(db,house_info):dic = house_infols = list(dic)table_name = 'user'data_type = {type("str"): '"%({})s"',type(0): '%({})s',type(0.1): '%({})s',type(None): 'null'}# sql生成语句sentence = 'insert ignore into %s('%table_name+','.join(ls)+') values(' + ','.join([data_type[type(dic[i])].format(i) for i in ls]) + ');'sql = sentence % diccursor = db.cursor()try:cursor.execute(sql)mit()except Exception as e:print(e)
插入函数作为数据库存储的核心,其中的SQL生成语句是重中之重,可以一整行一整行的将数据存入,ignore避免重复存储,使用游标执行SQL语句,然后上传
最后进入正题,调用函数完成爬取,存储操作:
# 根据规律获取所有页面链接def get_allpages():links = []for i in range(2,11):links.append('/zufang/pg'+str(i)+'/')return linksfirst_url = '/zufang/'start_time = datetime.datetime.now() # 程序开始时间# 使用BeautifulSoup方法,速度较慢但基本不会重复links = get_links(first_url)for i in get_allpages():for j in get_links(i):links.append(j)# # 使用正则表达式很快,但有许多重复# links = get_links(first_url)# for i in get_allpages():#eve_links = re.findall(r'href="(/zufang/\w+\.html)"',get_text(i))#for j in eve_links:# links.append(j)db = load_db(DATABASE)for i in range(len(links)):insert_sql(db,get_info(links[i]))end_time = datetime.datetime.now() #程序结束时间print((end_time-start_time).seconds)
因为该网站每页的链接特别明显,所以直接写了一个get_allpages函数,大致思路就是从首页的一个url地址,不断地将其他页面的链接分析读取出来,所以很大一部分是找出链接的特征,而且在爬取时能明显的感觉速度很慢,300个链接大概需要五分钟,可能是方法的问题,而且只是单纯的入库,并没有进行数据分析,所以还有很多不足,下次应该会发一篇分析这批数据的文章,并且采用其他的方法爬取数据。人生苦短,我用python!感谢大家的阅读!