爬虫案例4——爬取房天下数据

简介：个人学习分享，如有错误，欢迎批评指正

任务：从房天下网中爬取小区名称、地址、价格和联系电话

目标网页地址：https://newhouse.fang.com/house/s/

一、思路和过程

目标网页具体内容如下：

在这里插入图片描述

我们的任务是将上图中小区名称、地址、价格和联系电话对应爬下来。

1.定义目标URL

由于网页普遍具有反爬程序，不加修饰的直接访问网页可能会失败，所以第一步学会伪装自己。
如何伪装自己呢，可以通过找到正常访问网页时的访问状态，将自己的这次爬虫模拟成一次正常访问网页，因此我们的目标是找到正常访问网页时的User-Agent。User Agent中文名为用户代理，(简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等)。User-Agent就是你访问网页的身份证明。具体操作如下：

首先打开目标（/任意）网页，然后点击鼠标右键后选择检查打开网页的HTML 页面。
在这里插入图片描述

在HTML 页面里面依次点击网络，然后任意点一条网络请求（如果没有显示任何网络请求可以点击网页左上角的刷新），然后选择标头，下拉列表找到User-Agent，User-Agent后面那段内容就是我们用来伪装自己的身份码。

在这里插入图片描述

2.发送GET请求获取网页内容

通过上面的步骤我们获得了
url = ‘https://newhouse.fang.com/house/s/’

User-Agent:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0’

接下来发起网页访问请求，代码如下：

import requests  # 引入requests库，用于发送HTTP请求
from lxml import etree  # 引入lxml库中的etree模块，用于解析HTML文档# 定义目标URL，即要爬取的网页地址
url = 'https://newhouse.fang.com/house/s/'# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0'
}# 发送GET请求获取网页内容，并将响应内容存储在resp变量中
resp = requests.get(url, headers=headers)
# 设置响应内容的编码格式为utf-8，确保中文字符正常显示
resq.encoding = 'utf-8'
# 打印响应内容，检查获取到的HTML文本
print(resp.text)

查看print结果，我们发现成功获得了网页相关的html表达，

在这里插入图片描述

3.分析网页内容

接下来对html进行解析获得我们目标内容。
这里，我们需要借助工具xpath来辅助内容解析，xpath安装教程

安装成功后，按Ctrl+Shift+Alt 启动 xpath，网页上方出现如下图所示框，
在这里插入图片描述
找到目标内容方法
例：我们的目标是找到小区名字在html中的位置。点击如下图左边标记（1），该命令的含义是在网页中选择一个元素以进行检查，即当你把鼠标放在网页的某一位置，下面也会自动定位到html中该内容所在位置，如图所示，把鼠标放在北京城建·星誉BEIJING（2），下面显示小区名在html中所在位置（3）。
在这里插入图片描述

明确目标内容的位置。具体的，如下图所示，小区名北京城建·星誉BEIJING，它位于div class="nlcd_name"中的a里面。

在这里插入图片描述

因此，我们可以通过这个层层关系来找到目标所有小区名，借助刚才安装的工具xpath,下面一步步演示层层查找过程。
首先，在query中添加//div[@class=“nlcd_name”]，可以发现右边的results将所有小区的名字返回了。

在这里插入图片描述

其次，加上筛选条件a得
在这里插入图片描述

同理，query中添加//div[@class=“nlcd_name”]，可以发现右边的results将所有小区的地址返回了。
在这里插入图片描述

同理，query中添加//div[@class=“nhouse_price”]，可以发现右边的results将所有小区的价格返回了。
在这里插入图片描述

同理，query中添加//div[@class=“tel”]/p/text()，可以发现右边的results将所有小区的联系方式返回了。

在这里插入图片描述

但是，我们发现上面只能取到单页的内容，而整个网页如下有很多页。
在这里插入图片描述
对于上述问题，我们通过对比下图情况，发现url地址不同的页码的url仅仅换了最后一个数字，数字即对应页码。

在这里插入图片描述
因此进一步添加一个for循环来取得所有页的url地址，代码如下：

for i in range(4):# 构建每一页的URLurl = f'https://newhouse.fang.com/house/s/b9{i}/'# 发送GET请求获取网页内容，并将响应内容存储在resq变量中resq = requests.get(url, headers=headers)# 设置响应内容的编码格式为utf-8，确保中文字符正常显示resq.encoding = 'utf-8'# 打印响应内容，检查获取到的HTML文本print(resq.text)

因此，通过xpath的可视化辅助，得上面地址
//div[@class="nlcd_name"]/a可以获取小区名称，//div[@class="address"]/a/@title可以获取小区地址，//div[@class="nhouse_price可以获取小区价格，//div[@class="tel"]/p/text()可以获取小区联系电话。

4.获取目标数据

上一步得到了目标数据的地址，接下来就是分别获得到目标数据，代码如下：

    # 使用etree.HTML方法将HTML文本解析为一个HTML文档对象e = etree.HTML(resq.text)# 使用XPath语法从HTML文档中提取出小区名称，并去除字符串前后的空白字符names = [n.strip() for n in e.xpath('//div[@class="nlcd_name"]/a/text()')]# 使用XPath语法从HTML文档中提取出小区地址addreses = e.xpath('//div[@class="address"]/a/@title')# 使用XPath语法从HTML文档中提取出小区价格，并去除多余的空白字符price = [pr.xpath('string(.)').strip() for pr in e.xpath('//div[@class="nhouse_price"]')]# 使用XPath语法从HTML文档中提取出联系电话tel = e.xpath('//div[@class="tel"]/p/text()')

5.保存数据

存为一个txt文件

with open('fangtianxia.txt', 'w', encoding='utf-8') as f:# 使用zip函数将名称、地址、价格、电话数据组合在一起，逐行写入文件for na, ad, pr, te in zip(names, addreses, price, tel):# 写入格式为：红球号码：xxx 蓝球号码：xxxf.write(f'姓名:{na} 地址:{ad} 价格:{pr} 电话:{te}\n')

二、完整python代码

import requests  # 引入requests库，用于发送HTTP请求
from lxml import etree  # 引入lxml库中的etree模块，用于解析HTML文档
import pandas as pd  # 引入pandas库，用于处理和存储数据# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0'
}# 初始化一个空列表，用于存储爬取的数据
data = []# 循环遍历4个页面，每个页面的URL末尾数字依次递增
for i in range(4):# 构建每一页的URLurl = f'https://newhouse.fang.com/house/s/b9{i}/'# 发送GET请求获取网页内容，并将响应内容存储在resq变量中resq = requests.get(url, headers=headers)# 设置响应内容的编码格式为utf-8，确保中文字符正常显示resq.encoding = 'utf-8'# 打印响应内容，检查获取到的HTML文本print(resq.text)# 使用etree.HTML方法将HTML文本解析为一个HTML文档对象e = etree.HTML(resq.text)# 使用XPath语法从HTML文档中提取出小区名称，并去除字符串前后的空白字符names = [n.strip() for n in e.xpath('//div[@class="nlcd_name"]/a/text()')]# 使用XPath语法从HTML文档中提取出小区地址addreses = e.xpath('//div[@class="address"]/a/@title')# 使用XPath语法从HTML文档中提取出小区价格，并去除多余的空白字符price = [pr.xpath('string(.)').strip() for pr in e.xpath('//div[@class="nhouse_price"]')]# 使用XPath语法从HTML文档中提取出联系电话tel = e.xpath('//div[@class="tel"]/p/text()')with open('fangtianxia.txt', 'w', encoding='utf-8') as f:# 使用zip函数将名称、地址、价格、电话数据组合在一起，逐行写入文件for na, ad, pr, te in zip(names, addreses, price, tel):# 写入格式为：红球号码：xxx 蓝球号码：xxxf.write(f'姓名:{na} 地址:{ad} 价格:{pr} 电话:{te}\n')