python 爬虫开发-爬取北、上、广租房子的信息demo源码+注解清晰.zip

''' 爬取链家网 ''' from fake_useragent import UserAgent # 导入伪造头部信息的模块 import asyncio # 异步io模块 import aiohttp # 异步网络请求模块 import requests # 导入网络请求模块 from lxml import etree # 导入lxml解析html的模块 import pandas # 导入pandas模块 class HomeSpider(): # 链家爬虫的类 def __init__(self): # 初始化 self.data = [] # 创建数据列表 self.headers = {"User-Agent": UserAgent().random} # 随机生成浏览器头部信息 async def request(self, url): # 异步网络请求的方法 async with aiohttp.ClientSession() as session: # 创建异步网络请求对象 try: # 根据传递的地址发送网络请求 async with session.get(url, headers=self.headers, timeout=3) as response: print(response.status) if response.status == 200: # 如果请求码为200说明请求成功 result = await response.text() # 获取请求结果中的文本代码 return result except Exception as e: print(e.args) # 打印异常信息 def get_page_all(self, city): # 请求一次，获取租房信息的所有页码 city_letter = self.get_city_letter(city) # 获取城市对应的字母 url = 'https://{}.lianjia.com/zufang/ab200301001000rco11rt200600000001rs{}/'.format(city_letter, city) response = requests.get(url, headers=self.headers) # 发送网络请求 if response.status_code == 200: html = etree.HTML(response.text) # 创建一个XPath解析对象 # 获取租房信息的所有页码 page_all = html.xpath('//*[@id="content"]/div[1]/div[2]/@data-totalpage')[0] print('租房信息总页码获取成功！') return int(page_all) + 1 else: print('获取租房信息所有页码的请求未成功！') # 解析数据 async def parse_data_all(self, page_all, city): for i in range(1,page_all): # 根据租房信息的总页码，分别对每一页信息发送网络请求 city_letter = self.get_city_letter(city) # 获取城市对应的字母 url = 'https://{}.lianjia.com/zufang/ab200301001000pg{}rco11rt200600000001rs{}/'.format(city_letter,i, city) html_text = await self.request(url) # 发送网络请求，获取html代码 html = etree.HTML(html_text) # 创建一个XPath解析对象 print('获取'+url+'页信息！') title_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/p[1]/a/text()') # 获取每页中所有标题 big_region_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/p[2]/a[1]/text()') # 获取每页中所有大区域 small_region_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/p[2]/a[2]/text()') # 获取每页中所有小区域 square_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/p[2]/text()[5]') # 获取每页中所有房子的面积 floor_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/p[2]/span/text()[2]') # 获取每页中所有房子的楼层 price_all = html.xpath('//*[@id="content"]/div[1]/div[1]/div/div/span/em/text()') # 获取每页中所有房子的价格 title_list = self.remove_spaces(title_all) # 删除标题信息中的空格与换行符 region_list = self.combined_region(big_region_all, small_region_all) # 组合后的区域信息 square_list = self.remove_spaces(square_all) # 删除面积信息中的空格与换行符 floor_list = self.remove_spaces(floor_all) # 删除楼层信息中的空格与换行符 price_list = self.remove_spaces(price_all) # 删除价格信息中的空格与换行符 # 每页数据 data_page = {'title': title_list, 'region': region_list, 'price': price_list, 'square': square_list, 'floor': floor_list} print('写入第'+str(i)+'页数据！') df = pandas.DataFrame(data_page) # 创建DataFrame数据对象 df.to_csv('{}租房信息.csv'.format(city),mode='a', encoding='utf_8_sig',index=None) # 写入每页数据 # 删除字符串中的空格与换行符 def remove_spaces(self, info): info_list = [] # 保存去除空格后的字符串 for i in info: # 循环遍历包含空格信息 x=i.replace(' ', '').replace('\n', '') if x =='': pass else: info_list.append(x) # 将去除空格后的字符串添加至列表中 return info_list # 返回去除空格后的信息 # 获取北、上、广城市名称对应的字母 def get_city_letter(self, city_name): city_dict = {'北京': 'bj', '上海': 'sh', '广州': 'gz'} return city_dict.get(city_name) # 返回城市名称对应的英文字母 # def get_city_letter(self, city_name): # city_dict = {'北京': 'bj', '上海': 'sh', '广州': 'gz','深圳':'sz'} # return city_dict.get(city_name) # 返回城市名称对应的英文字母 # 将大区域小区域合并 def combined_region(self, big_region, small_region): region_list = [] # 保存组合后的区域信息 # 循环遍历大小区域，并将区域组合 for a, b in zip(big_region, small_region): region_list.append(a + '-' + b) return region_list # 启动异步 def start(self, page_all, city): loop = asyncio.get_event_loop() # 创建loop对象 # 开始运行 loop.run_until_complete(self.parse_data_all(page_all, city)) if __name__ == '__main__': input_city = input('请输入需要下载租房信息的城市名称！') home_spider = HomeSpider() # 创建爬虫类对象 page_all = home_spider.get_page_all(input_city) # 获取所有页码 print(page_all) # 打印所有页码信息 home_spider.start(page_all, input_city) # 启动爬虫程序