Golang爬虫 爬取汽车之家 二手车产品库.zip

# 爬取汽车之家 二手车产品库 ## 目标 最近经常有人在耳边提起汽车之家，也好奇二手车在国内的价格是怎么样的，因此本次的目标站点是 [汽车之家](https://car.autohome.com.cn/2sc/440399/index.html) 的二手车产品库  分析目标源： - 一页共24条 - 含分页，但这个老产品库，在100页后会存在问题，因此我们爬取99页 - 可以获取全部城市 - 共可爬取 19w+ 数据 ## 开始 爬取步骤 - 获取全部的城市 - 拼装全部城市URL入队列 - 解析二手车页面结构 - 下一页URL入队列 - 循环拉取所有分页的二手车数据 - 循环拉取队列中城市的二手车数据 - 等待，确定队列中无新的 URL - 爬取的二手车数据入库 ### 获取城市  通过页面查看，可发现在城市筛选区可得到全部的二手车城市列表，但是你仔细查阅代码。会发现它是JS加载进来的，城市也统一放在了一个变量中  有两种提取方法 - 分析JS变量，提取出来 - 直接将 `areaJson` 复制出来作为变量解析 在这里我们直接将其复制粘贴出来即可，因为这是比较少变动的值 ### 获取分页  通过分析页面可以得知分页链接是有一定规律的，例如：`/2sc/hangzhou/a0_0msdgscncgpi1ltocsp2exb4/`，可以发现 `sp%d`，`sp` 后面为页码 按照常理，可以通过预测所有分页链接，推入队列后 `go routine` 一波 即可快速拉取 但是在这老产品库存在一个问题，在超过 100 页后，下一页永远是 101 页  因此我们采取比较传统的做法，通过拉取下一页的链接去访问，以便适应可能的分页链接改变； 100 页以后的分页展示也很奇怪，先忽视 ### 获取二手车数据 页面结构较为固定，常规的清洗 HTML 即可 ``` func GetCars(doc *goquery.Document) (cars []QcCar) { cityName := GetCityName(doc) doc.Find(".piclist ul li:not(.line)").Each(func(i int, selection *goquery.Selection) { title := selection.Find(".title a").Text() price := selection.Find(".detail .detail-r").Find(".colf8").Text() kilometer := selection.Find(".detail .detail-l").Find("p").Eq(0).Text() year := selection.Find(".detail .detail-l").Find("p").Eq(1).Text() kilometer = strings.Join(compileNumber.FindAllString(kilometer, -1), "") year = strings.Join(compileNumber.FindAllString(strings.TrimSpace(year), -1), "") priceS, _ := strconv.ParseFloat(price, 64) kilometerS, _ := strconv.ParseFloat(kilometer, 64) yearS, _ := strconv.Atoi(year) cars = append(cars, QcCar{ CityName: cityName, Title: title, Price: priceS, Kilometer: kilometerS, Year: yearS, }) }) return cars } ``` ## 数据   在各城市的平均价格对比中，我们可以发现北上广深里的北京、上海、深圳都在榜单上，而近年势头较猛的杭州直接占领了榜首，且后几名都有一些距离 而其他城市大致都是梯级下降的趋势，看来一线城市的二手车也是不便宜了，当然这只是均价  我们可以看到价格和公里数的对比，上海、成都、郑州的等比差异是有点大，感觉有需求的话可以在价格和公里数上做一个衡量  这图有点儿有趣，粗略的统计了一下总公里数。在前几张图里，平均价格排名较高的统统没有出现在这里，反倒是呼和浩特、大庆、中山等出现在了榜首 是否侧面反应了一线城市的车辆更新换代较快，而较后的城市的车辆倒是换代较慢，公里数基本都杠杠的  通过对标题的分析，可以得知车辆产品库的命名基本都是品牌名称+自动/手动+XXXX款+属性，看标题就能知道个概况了