Python爬虫实战、请求模块、Python实现批量抓取惠州市新房数据

「这是我参与2022首次更文挑战的第12天，活动详情查看：2022首次更文挑战」。

前言

今天带你利用Python将惠州市新房数据批量抓取

让我们愉快地开始吧~

开发工具

Python版本： 3.6.4

相关模块：

requests模块；

fake_useragent模块；

lxml模块；

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

思路分析

打开新房列表网页，点击**「下一页」**后，网址变成：

http://www.fz0752.com/project/list.shtml?state=&key=&qy=&area=&danjia=&func=&fea=&type=&kp=&mj=&sort=&pageNO=2

很显然，这是静态网页，翻页参数为**「pageNO」，区域参数为「qy」**，其余参数也很好理解，点击对应筛选项即可发现网页链接变化。

通过遍历区域和页码，将新房列表的房源URL提取下来，再遍历这些URL，抓取到每个房源的详情信息。

详情页分析

选择一个新房URL，点击进去，链接如下：

http://newhouse.fz0752.com/fontHtml/html/project/00020170060.html

即这个新房的id为**「00020170060」**，再点击详情信息，链接变为：

http://newhouse.fz0752.com/project/detail.shtml?num=20170060

即这个新房的**「详情信息」的id为「20170060」**，我们可以大胆假设这个id就是新房id截取的一部分。多找几个新房点击尝试，很容易验证这个规律。

反爬分析

相同的ip地址频繁访问同一个网页会有被封风险，本文采用fake_useragent，将随机生成的User-Agent请求头去访问网页，将减少ip*的风险。

代码实现

导入爬虫相关库，定义一个主函数，构建区域列表（不同区域对应不用的区域id），遍历并用requests去请求由区域参数和页码参数拼接的URL。这里将页码设置50上限，当遍历的某个房源URL长度为0（即不存在新房数据）时，直接break，让程序进行下一个区域的遍历，直至所有数据抓取完毕，程序停止。

# -*- coding = uft-8 -*-
# @Time : 2020/12/21 9:29 下午
# @Author : J哥
# @File : newhouse.py

import csv
import time
import random
import requests
import traceback
from lxml import etree
from fake_useragent import UserAgent

def main():
#46:惠城区，47：仲恺区，171：惠阳区，172：大亚湾，173：博罗县，174：惠东县，175：龙门县
qy_list = [46,47,171,172,173,174,175]
for qy in qy_list: #遍历区域
for page in range(1,50): #遍历页数
url = f'http://www.fz0752.com/project/list.shtml?state=&key=&qy={qy}&area=&danjia=&func=&fea=&type=&kp=&mj=&sort=&pageNO={page}'
response = requests.request("GET", url, headers = headers,timeout = 5)
print(response.status_code)
if response.status_code == 200:
re = response.content.decode('utf-8')
print("正在提取" + str(qy) +'第' + str(page) + "页")
#time.sleep(random.uniform(1, 2))
print("-" * 80)
# print(re)
parse = etree.HTML(re)
get_href(parse,qy)
num = ''.join(parse.xpath('//*[@id="parent-content"]/div/div[6]/div/div[1]/div[2]/div[1]/div[2]/div[1]/div[1]/a/@href'))
print(len(num))
if len(num) == 0:
break

if __name__ == '__main__':
ua = UserAgent(verify_ssl=False)
headers = {"User-Agent": ua.random}
time.sleep(random.uniform(1, 2))
main()

发送请求，获取新房列表网页，并解析到所有新房URL，同时将新房id替换为详情信息id。在程序运行中发现有少数新房URL不一致，因此这里做了判断，修改后可以获取完整的详情信息id，并拼接出对应的URL。

def get_href(parse,qy):
items = parse.xpath('//*[@id="parent-content"]/div/div[6]/div/div[1]/div[2]/div')
try:
for item in items:
href = ''.join(item.xpath('./div[2]/div[1]/div[1]/a/@href')).strip()
print("初始href为：",href)
#print(len(href))
if len(href) > 25:
href1 = 'http://newhouse.fz0752.com/project/detail.shtml?num=' + href[52:].replace(".html","")
else:
href1 = 'http://newhouse.fz0752.com/project/detail.shtml?num=' + href[15:]
print("详情href为：",href1)
try:
get_detail(href1,qy)
except:
pass
except Exception:
print(traceback.print_exc())

结果:

详情信息URL找到后，定义一个函数去请求详情页数据，同时携带qy参数，最后将其保存到csv中。

def get_detail(href1,qy):
time.sleep(random.uniform(1, 2))
response = requests.get(href1, headers=headers,timeout = 5)
if response.status_code == 200:
source = response.text
html = etree.HTML(source)

开始解析详情页中的各个字段，这里用到xpath进行数据解析，由于需要解析的字段太多，高达41个，限于篇幅，以下仅给出部分字段解析代码。当然，其他字段解析基本一样。

#项目状态
try:
xmzt = html.xpath('//*[@id="parent-content"]/div/div[3]/div[3]/div[1]/div[1]/text()')[0].strip()
except:
xmzt = None
#项目名称
try:
name = html.xpath('//*[@id="parent-content"]/div/div[3]/div[3]/div[1]/h1/text()')[0].strip()
except:
name = None
#项目简介
ps = html.xpath('//*[@id="parent-content"]/div/div[3]/div[5]/div[2]/div')
for p in ps:
try:
xmjj = p.xpath('./p[1]/text()')[0].strip()
except:
xmjj = None
infos = html.xpath('//*[@id="parent-content"]/div/div[3]/div[5]/div[1]/div/table/tbody')
for info in infos:
#行政区域
try:
xzqy = info.xpath('./tr[1]/td[1]/text()')[0].strip()
except:
xzqy = None
#物业类型
try:
wylx = info.xpath('./tr[2]/td[1]/text()')[0].strip()
except:
wylx = None
#销售价格
try:
xsjg = info.xpath('./tr[3]/td[1]/text()')[0].strip()
except:
xsjg = None
······
data = {
'xmzt':xmzt,
'name':name,
'xzqy':xzqy,
······
'qy':qy
}
print(data)

解析完数据后，将其置于字典中，打印结果如下：

然后追加保存为csv：

try:
with open('hz_newhouse.csv', 'a', encoding='utf_8_sig', newline='') as fp:
fieldnames = ['xmzt','name','xzqy',······,'qy']
writer = csv.DictWriter(fp, fieldnames = fieldnames)
writer.writerow(data)
except Exception:
print(traceback.print_exc())

当然，我们也可以读取csv文件，并写入Excel：

df = pd.read_csv("newhouse.csv",names=['name','xzqy','wylx',······,'state'])\
df = df.drop_duplicates()\
df.to_excel("newhouse.xlsx",index=False)