Python手拉手教你爬取贝壳房源数据的实战教程(爬虫数据)

一、爬虫是什么？

在进行大数据分析或者进行数据挖掘的时候，数据源可以从某些提供数据统计的网站获得，也可以从某些文献或内部资料中获得，但是这些获得数据的方式，有时很难满足我们对数据的需求，而手动从互联网中去寻找这些数据，则耗费的精力过大。此时就可以利用爬虫技术，自动地从互联网中获取我们感兴趣的数据内容，并将这些数据内容爬取回来，作为我们的数据源，从而进行更深层次的数据分析，并获得更多有价值的信息。在使用爬虫前首先要了解爬虫所需的库（requests）或者( urllib.request )，该库是为了爬取数据任务而创建的。

二、使用步骤

1.引入库

代码如下（示例）：

import os
import urllib.request
import random
import time
class BeikeSpider:
 def __init__(self, save_path="./beike"):
  """
  贝壳爬虫构造函数
  :param save_path: 网页保存目录
  """

2.读入数据

代码如下：

# 网址模式
  self.url_mode = "http://{}.fang.ke.com/loupan/pg{}/"
  # 需爬取的城市
  self.cities = ["cd", "sh", "bj"]
  # 每个城市爬取的页数
  self.total_pages = 20
  # 让爬虫程序随机休眠5-10秒
  self.sleep = (5, 10)
  # 网页下载保存根目录
  self.save_path = save_path
  # 设置用户代理，是爬虫程序伪装成浏览器
  self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}
  # 代理IP的信息
  self.proxies = [
{"https": "123.163.67.50:8118"},
{"https": "58.56.149.198:53281"},
{"https": "14.115.186.161:8118"}
  ]
  # 创建保存目录
  if not os.path.exists(self.save_path):
os.makedirs(self.save_path)
def crawl(self):
  """
  执行爬取任务
  :return: None
  """

该处使用的url网络请求的数据。

3.随机选择一个ip地址构建代理服务器

 for city in self.cities:
print("正在爬取的城市:", city)
# 每个城市的网页用单独的目录存放
path = os.path.join(self.save_path, city)
if not os.path.exists(path):
 os.makedirs(path)
for page in range(1, self.total_pages+1):
 # 构建完整的url
 url = self.url_mode.format(city, page)
 # 构建Request对象, 将url和请求头放入对象中
 request = urllib.request.Request(url, headers=self.headers)
 # 随机选择一个代理IP
 proxy = random.choice(self.proxies)
 # 构建代理服务器处理器
 proxy_handler = urllib.request.ProxyHandler(proxy)
 # 构建opener
 opener = urllib.request.build_opener(proxy_handler)
 # 使用构建的opener打开网页
 response = opener.open(request)
 html = response.read().decode("utf-8")
 # 网页保存文件名(包含路径)
 filename = os.path.join(path, str(page)+".html")
 # 保存网页
 self.save(html, filename)
 print("第%d页保存成功！" % page)
 # 随机休眠
 sleep_time = random.randint(self.sleep[0], self.sleep[1])
 time.sleep(sleep_time)

该处除随机选择ip地址以外还会限制爬取数据的速度，避免暴力爬取。

4.运行代码

def save(self, html, filename):
  """
  保存下载的网页
  :param html: 网页内容
  :param filename: 保存的文件名
  :return:
  """
  f = open(filename, 'w', encoding="utf-8")
  f.write(html)
  f.close()
 def parse(self):
  """
  解析网页数据
  :return:
  """
  pass
if __name__ == "__main__":
 spider = BeikeSpider()
 spider.crawl()