实验室暑假学习第一周任务总结——爬虫

女爷i 2023-02-26 08:29 2阅读 0赞

## 任务需求 ##

在[贝壳租房][Link 1]网站（这里我选择的城市是天津）爬取50页房源信息，包括房源编号、所在城市、所在区县、所在街道或地区、小区名称、面积、朝向、月租、计费方式、室、厅、卫、入住、租期、看房、所在楼层、总楼层、电梯、车位、用水、用电、燃气、采暖等信息。将信息写入CSV文件保存，以备后续任务使用。

## 对任务需求的分析 ##

这是一个关于爬虫的任务，那么一些爬虫常用的模块（如`requests`, `bs4`等）是必不可少的。  
  需求中有提到“爬取50页数据”，看到这里很自然地就会想到使用循环来解决。打开贝壳租房网，翻页观察URL的变化并寻找规律，如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 1]  
  不难发现，URL的“模板”是`https://tj.zu.ke.com/zufang/pg[对应的页码]/#contentList`。那么，爬取50页数据就可以使用`for`循环来解决，循环变量的范围设置为`range(1, 51)`，将其作为页码拼接到“模板”URL中，对这些URL分别发起请求爬取数据即可。  
  接下来的问题是，如何找到某一个房源的具体信息呢？  
  我们点击右键检查元素，进入网页的HTML源代码查看，会发现一个名为`data-house_code`的值。大胆猜测一下，它和房源具体信息页的URL存在一些关联。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 2]  
  点击房源进入详情页，我们发现URL中恰好包含前面看到的`data-house_code`值。事实上，这个值正是与房源一一对应的唯一编号。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 3]  
  最后就是对HTML代码抽丝剥茧找出所需要的数据并写入CSV文件了。这里可以使用`bs4`来解析HTML源代码，也可以使用正则表达式或者XPath解析。我使用的是`bs4`和正则表达式结合解析HTML的方法。详细的实现过程可以参考下面的Python代码。

## Python源代码 ##

#!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    
    
    import csv
    import re
    
    from bs4 import BeautifulSoup
    import requests
    
    
    head = ['房源编号', '所在城市', '所在区县', '所在街道或地区', '小区名称', '面积', '租赁方式', '朝向', '月租', '计费方式', '室', '厅',
            '卫', '入住', '租期', '看房', '所在楼层', '总楼层', '电梯', '车位', '用水', '用电', '燃气', '采暖']    # 写入文件的标题行
    headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:78.0) Gecko/20100101 Firefox/78.0'}
    with open('TianjinRentHouseInfo.csv', 'w', newline='') as csv_out_file:
        filewriter = csv.writer(csv_out_file)
        filewriter.writerow(head)
        for page in range(1, 51):
            url = 'https://tj.zu.ke.com/zufang/pg' + str(page) + '/#contentList'
            response = requests.get(url=url, headers=headers)
            page_text = response.text
            soup = BeautifulSoup(page_text, 'html.parser')
            div_list = soup.find_all(class_='content__list--item')
            codes = []  # 存储房源编号的列表
            areas = []  # 存储房源地区的列表
            for div in div_list:
                code = re.search(r'data-house_code="(.*?)" ', str(div)).group()[17:-2]
                codes.append(code)
            p_list = soup.find_all(class_='content__list--item--des')
            for p in p_list:
                a_list = p.find_all('a')
                area = []
                for i in range(len(a_list)):
                    a_text = a_list[i].text
                    area.append(a_text)
                areas.append(area)
            for i in range(len(codes)):
                info = []  # 存储房源信息的列表
                info.extend([codes[i], '天津'] + areas[i])
                url = 'https://tj.zu.ke.com/zufang/' + codes[i] + '.html'
                response = requests.get(url=url, headers=headers)
                page_text = response.text
                soup = BeautifulSoup(page_text, 'html.parser')
                ul_text = soup.find('ul', class_='content__aside__list').text
                div_text = soup.find('div', class_='content__aside--title').text
                S = re.search(r' (.*?)㎡', ul_text).group()[1:]    # 面积
                lease = re.search(r'租赁方式：(.*?)\n', ul_text).group()[5:-1]    # 租赁方式
                aspect = re.search(r'朝向楼层：(.*?) ', ul_text).group()[5:-1]    # 朝向
                price = re.search(r'([0-9]*?)元/月', div_text).group()    # 月租
                try:
                    charge_mode = re.search(r'\((.*?)\)', div_text).group()[1:-1]    # 计费方式
                except AttributeError:
                    charge_mode = 'None'
                room = re.search(r'([0-9*?])室', ul_text).group()    # 几室
                hall = re.search(r'([0-9*?])厅', ul_text).group()    # 几厅
                toilet = re.search(r'([0-9*?])卫', ul_text).group()    # 几卫
                info.extend([S, lease, aspect, price, charge_mode, room, hall, toilet])
                div = soup.find('div', class_='content__article__info')
                ul_list = div.find_all('ul')
                ul_text = ''
                for ul in ul_list:
                    ul_text += ul.text
                check_in = re.search(r'入住：(.*?)\n', ul_text).group()[3:-1]    # 入住
                term = re.search(r'租期：(.*?)\n', ul_text).group()[3:-1]    # 租期
                see_house = re.search(r'看房：(.*?)\n', ul_text).group()[3:-1]    # 看房
                floor = re.search(r'楼层：(.*?)/', ul_text).group()[3:-1]    # 所在楼层
                total_floor = re.search(r'/(.*?)\n', ul_text).group()[1:-1]    # 总楼层
                lift = re.search(r'电梯：(.*?)\n', ul_text).group()[3:-1]    # 电梯
                stall = re.search(r'车位：(.*?)\n', ul_text).group()[3:-1]    # 车位
                water = re.search(r'用水：(.*?)\n', ul_text).group()[3:-1]    # 用水
                elec = re.search(r'用电：(.*?)\n', ul_text).group()[3:-1]    # 用电
                gas = re.search(r'燃气：(.*?)\n', ul_text).group()[3:-1]    # 燃气
                heating = re.search(r'采暖：(.*?)\n', ul_text).group()[3:-1]    # 采暖
                info.extend([check_in, term, see_house, floor, total_floor, lift, stall, water, elec, gas, heating])
                print(info[0], '写入成功')
                filewriter.writerow(info)

在写代码的过程中我遇到了一个问题，在用正则表达式匹配“计费方式”的时候，会有匹配不到结果而报`AttributeError`错误的情况出现。经过排查，我发现有的房源详情页并不存在“计费方式”的字样，自然无法匹配。可以使用`try-except`结构来解决这个问题，详情请参考上述代码第50-53行。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 5]

## 运行结果 ##

运行后可得到一个CSV文件，其中共包含1503条房源数据。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 6]

[Link 1]: https://tj.zu.ke.com/zufang
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70]: /images/20230209/0342f13d4d3441bdb6eda2024b090d9b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 1]: /images/20230209/bf74042f07984c7c918fe7ca02bcdaa6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 2]: /images/20230209/b0d3cc14adfe4503bd982aa84c1e230a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 3]: /images/20230209/7d0269b097774f8eac430a79a5822d33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 4]: /images/20230209/5e59084ba94b480c95a22809860971c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 5]: /images/20230209/8784c769fd414688a55ef7ca0c65a9af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NTU0MDEw_size_16_color_FFFFFF_t_70 6]: /images/20230209/e6270f89c7164821a922ea0da610ae60.png