Python爬虫代码--链家杭州二手房

# -*- coding: utf-8 -*-
"""
Created on Sat Oct 14 19:21:38 2017

@author: night
"""
from bs4 import BeautifulSoup
import requests
import json
import re
import time
from collections import Counter
import pandas as pd


starturl_list = ['https://hz.lianjia.com/ershoufang/jianggan/',
                 'https://hz.lianjia.com/ershoufang/xihu/',
                 'https://hz.lianjia.com/ershoufang/xiacheng/',
                 'https://hz.lianjia.com/ershoufang/gongshu/',
                 'https://hz.lianjia.com/ershoufang/shangcheng/',
                 'https://hz.lianjia.com/ershoufang/binjiang/',
                 'https://hz.lianjia.com/ershoufang/yuhang/',
                 'https://hz.lianjia.com/ershoufang/xiaoshan/',
                 'https://hz.lianjia.com/ershoufang/xiasha/']
#获取最大页面数量
#request = requests.get('https://hz.lianjia.com/ershoufang/xiasha/')
#soup = BeautifulSoup(request.text,'html.parser')
#num = json.loads(soup.find('div',{'class':"page-box house-lst-page-box"}).get('page-data'))['totalPage']

#get_pageurls(starturl_list[4])


#获取二手房每一页的url

def get_pageurls(url):
    request = requests.get(url)
    soup = BeautifulSoup(request.text,'html.parser')
    totalnum = json.loads(soup.find('div',{'class':"page-box house-lst-page-box"}).get('page-data'))['totalPage']+1
#    pageurls_list = []
    pageurls_list.append(url)
    for num in range(2,totalnum):
        newurl = url + 'pg{}/'.format(num)
        pageurls_list.append(newurl)
#    return pageurls_list

#get_pageurls(starturl_list[0])


#获取每一页的二手房url
def get_eachurls(pageurl):  
    request = requests.get(pageurl)
    soup = BeautifulSoup(request.text,'html.parser')
    for i in soup.find_all('li',{'class':'clear'}):
#        if i.a.get('href') not in eachurl_list:
        eachurl_list.append(i.a.get('href'))







#获取二手房信息
allinfo = []
def houseinformation(houseurl):
    global allinfo
    request = requests.get(houseurl)
    soup = BeautifulSoup(request.text,'html.parser')
    info = {}
    list = soup.find_all('script')
#    try:
    house_info_pre = list[26].text.encode('utf-8')
    pattern_position = '''resblockPosition.*\''''
    pos = re.search(re.compile(pattern_position),house_info_pre).group(0).split("'")[1]
    longi = pos.split(',')[0]
    lati = pos.split(',')[1]
    try:
        info[u'经度'] = longi
    except:
        info[u'经度'] = None
    try:
        info[u'纬度'] = lati
    except:
        info[u'纬度'] = None
#获取标题、单价、总价
    try:
        info[u'标题'] = unicode(soup.find('div',{'class':'title'}).contents[1].get('title'))
    except:
        info[u'标题'] = None       
    try:
        info[u'副标题'] = unicode(soup.find('div',{'class':'title'}).contents[3].string)
    except:
        info[u'副标题'] = None        
    try:
        info[u'总价'] = soup.find('div',{'class':'price'}).find('span',{'class':'total'}).string + soup.find('div',{'class':'price'}).find('span',{'class':'unit'}).string
    except:
        info[u'总价'] = None      
    try:
        info[u'单价'] = soup.find('span',{'class':'unitPriceValue'}).get_text()
    except:
        info[u'单价'] = None
#获取基本属性
    base = soup.find('div',{'class':'introContent'}).contents[1].ul.find_all('li')
    try:
        info[u'房屋类型'] = unicode(base[0].contents[1].string)
    except:
        info[u'房屋类型'] = None
    try:
        info[u'所在楼层'] = unicode(base[1].contents[1].string)
    except:
        info[u'所在楼层'] = None
    try:
        info[u'建筑面积'] = unicode(base[2].contents[1].string)
    except:
        info[u'建筑面积'] = None
    try:
        info[u'户型结构'] = unicode(base[3].contents[1].string)
    except:
        info[u'户型结构'] = None
    try:
        info[u'套内面积'] = unicode(base[4].contents[1].string)
    except:
        info[u'套内面积'] = None
    try:
        info[u'建筑类型'] = unicode(base[5].contents[1].string)
    except:
        info[u'建筑类型'] = None
    try:
        info[u'房屋朝向'] = unicode(base[6].contents[1].string)
    except:
        info[u'房屋朝向'] = None
    try:
        info[u'建筑结构'] = unicode(base[7].contents[1].string)
    except:
        info[u'建筑结构'] = None
    try:
        info[u'配备电梯'] = unicode(base[8].contents[1].string)
    except:
        info[u'配备电梯'] = None
#获取交易属性
    trans = soup.find('div',{'class':'introContent'}).contents[3].ul.find_all('li')
    try:
        info[u'挂牌时间'] = unicode(trans[0].contents[1].string)
    except:
        info[u'挂牌时间'] = None
    try:
        info[u'交易属性'] = unicode(trans[1].contents[1].string)
    except:
        info[u'交易属性'] = None
    try:
        info[u'上次交易'] = unicode(trans[2].contents[1].string)
    except:
        info[u'上次交易'] = None
    try:
        info[u'房屋用途'] = unicode(trans[3].contents[1].string)
    except:
        info[u'房屋用途'] = None
    try:
        info[u'房屋年限'] = unicode(trans[4].contents[1].string)
    except:
        info[u'房屋年限'] = None
    try:
        info[u'产权所属'] = unicode(trans[5].contents[1].string)
    except:
        info[u'产权所属'] = None
    try:
        info[u'抵押信息'] = unicode(trans[6].contents[1].string)
    except:
        info[u'抵押信息'] = None
    try:
        info[u'房本备件'] = unicode(trans[7].contents[1].string)
    except:
        info[u'房本备件'] = None
    try:
        info[u'房源编码'] = unicode(trans[8].contents[1].string)
    except:
        info[u'房源编码'] = None
#获取小区信息
    try:
        info[u'小区名称'] = re.search("resblockName:'(.*?)'",request.text).group(1)
    except:
        info[u'小区名称'] = None
    try:
        info[u'网址'] = houseurl      
    except:
        info[u'网址'] = None
    allinfo.append(info)

    

#########################################################################
#get_pageurls(starturl_list[0])
pageurls_list = []
eachurl_list = []

get_pageurls(starturl_list[7])

n = 1
for i in pageurls_list:
    get_eachurls(i)
    print '储存第{}页网址'.format(n)
    n+=1

for i in range(len(eachurl_list)):    
    houseinformation(eachurl_list[i])
    print u'抓取第{}条信息,房源名称为:{}'.format(i+1,allinfo[i][u'标题'])
#    time.sleep(0.5)

df = pd.DataFrame(allinfo)
df.to_csv(r"C:\test\data_lianjia_shangcheng.csv",encoding='gb18030')
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,948评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,371评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,490评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,521评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,627评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,842评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,997评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,741评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,203评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,534评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,673评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,339评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,955评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,770评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,000评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,394评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,562评论 2 349

推荐阅读更多精彩内容