发现请求头信息如下,这个是后面要模拟的: Host: m. User-Agent: Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0 Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8 Accept-Language: zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3 Accept-Encoding: gzip, deflate Connection: keep-alive 查看导航链接 点击 firebug 的查看元素箭头,选中导航查看元素: 进群:943752371 获取源码呀! 发现导航的主要是在 class=inner post_ulog 的超链接元素 a 里面,这里用 BeautifulSoup 抓取名称和 href 就好,最后组成一个字典: # 获取引导频道 def getChannel(html): channelDict = {} soup = BeautifulSoup(html, 'html.parser') channels = soup.find_all('a', attrs={'class': 'inner post_ulog'}) for channel in channels: list_tmp = channel.find_all('div', attrs={'class': 'name'}) channelName = list_tmp[0].get_text() channelHref = channel.get('href') channelDict[channelName] = channelHref return channelDict 结果如下: {'海外': '/i/', '卖房': '/bj/yezhu/', '新房': '/bj/loupan/fang/', '找小区': '/bj/xiaoqu/', '查成交': '/bj/chengjiao/', '租房': '/chuzu/bj/zufang/', '二手房': '/bj/ershoufang/index/', '写字楼': 'https://shang./bj/'} 获取城市编码 点击页面低于按钮,获取城市编码: 发现城市的编码主要在 class=block city_block 的 div 里面,如下抓取所有就好,这里需要的是广州,广州的城市编码是 gz : # 获取城市对应的缩写 def getCity(html): cityDict = {} soup = BeautifulSoup(html, 'html.parser') citys = soup.find_all('div', attrs={'class': 'city_block'}) for city in citys: list_tmp = city.find_all('a') for a in list_tmp: cityHref = a.get('href') cityName = a.get_text() cityDict[cityName] = cityHref return cityDict 结果如下: {'文昌': '/wc/', '大理': '/dali/', '威海': '/weihai/', '达州': '/dazhou/', '中山': '/zs/', '佛山': '/fs/', '呼和浩特': '/hhht/', '合肥': '/hf/', '南昌': '/nc/', '昆明': '/km/', '定安': '/da/', '宜昌': '/yichang/', '襄阳': '/xy/', '嘉兴': '/jx/', '厦门': '/xm/', '青岛': '/qd/', '株洲': '/zhuzhou/', '西安': '/xa/', '泉州': '/quanzhou/', '济南': '/jn/', '澄迈': '/cm/', '潍坊': '/wf/', '保定': '/bd/', '绵阳': '/mianyang/', '重庆': '/cq/', '儋州': '/dz/', '南充': '/nanchong/', '南京': '/nj/', '北京': '/bj/', '杭州': '/hz/', '滁州': '/cz/', '咸宁': '/xn/', '琼海': '/qh/', '洛阳': '/luoyang/', '绍兴': '/sx/', '廊坊': '/lf/', '惠州': '/hui/', '南通': '/nt/', '上饶': '/sr/', '湛江': '/zhanjiang/', '秦皇岛': '/qhd/', '黄石': '/huangshi/', '武汉': '/wh/', '天津': '/tj/', '哈尔滨': '/hrb/', '黄冈': '/hg/', '龙岩': '/ly/', '长春': '/cc/', '珠海': '/zh/', '邢台': '/xt/', '三亚': '/san/', '北海': '/bh/', '太原': '/ty/', '德阳': '/dy/', '万宁': '/wn/', '承德': '/chengde/', '五指山': '/wzs/', '陵水': '/ls/', '成都': '/cd/', '深圳': '/sz/', '咸阳': '/xianyang/', '烟台': '/yt/', '东莞': '/dg/', '清远': '/qy/', '西双版纳': '/xsbn/', '郑州': '/zz/', '淮安': '/ha/', '漳州': '/zhangzhou/', '常德': '/changde/', '邯郸': '/hd/', '上海': '/sh/', '开封': '/kf/', '苏州': '/su/', '衡水': '/hs/', '无锡': '/wx/', '广州': '/gz/', '银川': '/yinchuan/', '徐州': '/xz/', '大连': '/dl/', '海口': '/hk/', '晋中': '/jz/', '福州': '/fz/', '新乡': '/xinxiang/', '沈阳': '/sy/', '琼中': '/qz/', '乐东': '/ld/', '淄博': '/zb/', '眉山': '/ms/', '宁波': '/nb/', '张家口': '/zjk/', '保亭': '/bt/', '长沙': '/cs/', '临高': '/lg/', '石家庄': '/sjz/', '许昌': '/xc/', '镇江': '/zj/', '乐山': '/leshan/', '贵阳': '/gy/'} 模拟请求二手房 点击二手房链接进入二手房列表页面,发现列表页面的 url 是 https://m./bj/ershoufang/index/ ,把网页往下拉进行翻页,发现下一页的 url 构造为: 只是在原来的网址后面添加了页码 pg1 ,但是在 httpfox 里面惊奇的发现了一段 json : 对于爬虫的各位作者有个忠告:能抓取json就抓取json!* json 是一个 API 接口,相比于网页来说更新频率低,网页架构很容易换掉,但是 API 接口一般不会换掉,且换掉后维护的成本比网页低。试想,接口只是一个 dict ,如果更新只要在代码里面改 key 就好了;而网页更新后,需要改的是 bs4 里面的元素,对于以后开发过多的爬虫来说,维护特别麻烦! 所以对于这里肯定是抓取 json ,查看头部: 头部需要携带 cookie ! 所以这里需要携带 cookie 。而 requests 本身就有抓取携带 cookie 的写法。那么作者就在从获取导航链接、城市编码都获取更新 cookie 。而在每一次 requests 请求的时候,返回 cookie 的代码为: session.get(url, headers=headers) html_set_cookie = requests.utils.dict_from_cookiejar(session.cookies) 那么在导航链接、城市编码的时候,不仅仅返回网页的 html ,还多返回一个 cookie : print('构建城市编码url') url_get_city = url_ori + '/city/' print('获取城市编码', ':', url_get_city) html_set_cookie, html_city = getHtml(url_get_city) cityDict = getCity(html_city) url_city = url_ori + cityDict[city] print('访问获取导航', ':', url_city) html_set_cookie, html_city_content = getHtml(url_city, _cookie=html_set_cookie) 然后在请求头携带 cookie : # 解析网页 def getHtml(url, _cookie=None): html_bytes = session.get(url, headers=headers, cookies=_cookie) html_set_cookie = requests.utils.dict_from_cookiejar(session.cookies) return html_set_cookie, html_bytes.content.decode('utf-8', 'ignore') 这里也模拟请求头携带 cookie 后抓取下来的 json 为: 而主要的信息在 body 里面,直接解析 html 变成 dict ,提取 body 出来: html_bytes = session.get(url_detail, headers=headerJson, cookies=html_set_cookie) html_detail = html_bytes.content.decode('utf-8', 'ignore') detailJson = json.loads(html_detail) 发现信息都在 class=item_list 里面,直接用 bs4 抓取即可。可以抓取到的信息为:标题、标签、房子构造、面积、总价、单价、房屋朝向、详情页 url 等: 获取信息的部分代码为: # 获取二手房的详细信息 def getInfoErshoufang(html): detailArr = [] soup = BeautifulSoup(html, 'html.parser') detailInfo = soup.find_all('div', attrs={'class': 'item_list'}) detailUrl = soup.find_all('a', attrs={'class': 'a_mask'}) details = zip(detailInfo, detailUrl) for info_url in details: info = info_url[0] detailDict = {} # 获取标题 title_tmp = info.find_all('div', attrs={'class': 'item_main'}) detail_title = title_tmp[0].get_text() # 获取房屋大小 size_tmp = info.find_all('div', attrs={'class': 'item_other'}) detail_size = size_tmp[0].get_text() # 获取价格单价 price_total_tmp = info.find_all('span', attrs={'class': 'price_total'}) detail_price_total = price_total_tmp[0].get_text() try: unit_price_tmp = info.find_all('span', attrs={'class': 'unit_price'}) detail_unit_price = unit_price_tmp[0].get_text() except: detail_unit_price = '88888888元/平' # 获取标签 tag_tmp = info.find_all('div', attrs={'class': 'tag_box'}) detail_tag = tag_tmp[0].get_text() # 获取详情页 url_a = info_url[1] 封装代码 为了让代码更加的和谐,这里对代码进行了封装,包括如下几个方面: 选择城市 选择查看二手房、新房等 详情页抓取页数 计算首付 按照首付升序排列 目前只写那么多了,毕竟博文只教方法给读者,更多抓取的信息需要各位读者根据自己的需求添加 下载源码 作者已经将源码放到 github 上面了,包括 3 个 py 文件: lianjia.py ,跳转页面到详情页的代码,为主代码 GetDetail.py,抓取详情页翻页的代码 GetInfo.py,提取详情页里面信息的代码 注:想学习Python的小伙伴们 进群:984632579 领取从0到1完整学习资料 视频 源码 精品书籍 一个月经典笔记和99道练习题及答案 |
|
来自: 新用户18985384 > 《Python》