四. 爬虫实战 - 小猪短租网广州信息

爬取网址:http://gz.xiaozhu.com
网页共有13页,规律为:

http://gz.xiaozhu.com/search-duanzufang-p1-0/
http://gz.xiaozhu.com/search-duanzufang-p2-0/
...
http://gz.xiaozhu.com/search-duanzufang-p13-0/

爬取内容:进入每个租房的详细页面,爬取标题、地址、价格、房东名称、房东名称和房东头像的链接。

  • 代码:
import requests
from bs4 import BeautifulSoup
import time

headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}

url_list = ["http://gz.xiaozhu.com/search-duanzufang-p{}-0/".format(i) for i in range(1,14)]
#print(url_list)

i = 0
for url in url_list:   
    i += 1
    r = requests.get(url, headers=headers)
    print(r.status_code)
    soup = BeautifulSoup(r.text,"lxml")
    detail_urls = soup.select("#page_list > ul > li > a")
    
    j = 0
    for detail_url in detail_urls:
        j += 1
        detail_url = detail_url.get("href")
        #print(detail_url)
        
        r_detail = requests.get(detail_url,headers = headers)
        soup1 = BeautifulSoup(r_detail.text,"lxml")
        title = soup1.select("div.pho_info h4")[0].text
        address = soup1.select("div.pho_info p span")[0].text.strip()
        price = soup1.select("div.day_l span")[0].text
        host_name = soup1.select("div.w_240 h6 a")[0].text
        sex_info = soup1.select("div.w_240 h6 span")[0].get("class")
        if sex_info == ["member_girl_ico"]:
            sex = "女"
        if sex_info == ["member_boy_ico"]:
            sex = "男"
        img_url = soup1.select("div.member_pic > a > img")[0].get("src")
        
        print(i,"_",j,":",title,address,price,host_name,sex,img_url)
        time.sleep(1)
  • 上述代码层次不够鲜明,改成下述框架:
def get_url(url):
    pass

def get_info(url):
    male_or_female()
    pass

def male_or_female():
    pass

if "__name__" == "__main__":
    pass
  • 改框架后的代码:
import requests
from bs4 import BeautifulSoup
import time

headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}

#获取详细页面的URL
def get_url(url):
    r = requests.get(url, headers = headers)
    print(r.status_code)
    soup = BeautifulSoup(r.text,"lxml")
    detail_urls = soup.select("#page_list > ul > li > a")
    return detail_urls

#获取网页信息
def get_info(detail_url):
    detail_url = detail_url.get("href")
        
    r_detail = requests.get(detail_url,headers = headers)
    soup1 = BeautifulSoup(r_detail.text,"lxml")
    title = soup1.select("div.pho_info h4")[0].text
    address = soup1.select("div.pho_info p span")[0].text.strip()
    price = soup1.select("div.day_l span")[0].text
    host_name = soup1.select("div.w_240 h6 a")[0].text
    sex_info = soup1.select("div.w_240 h6 span")[0].get("class")
    sex = male_or_female(sex_info)
    img_url = soup1.select("div.member_pic > a > img")[0].get("src")
    #print(title,address,price,host_name,sex,img_url)
    print(i,"_",j,":",title,address,price,host_name,sex,img_url)

#判断用户性别
def male_or_female(sex_info):    
    if sex_info == ["member_girl_ico"]:
        sex = "女"
    if sex_info == ["member_boy_ico"]:
        sex = "男"
    return sex

#程序主入口
if __name__ == "__main__":
    url_list = ["http://gz.xiaozhu.com/search-duanzufang-p{}-0/".format(i) for i in range(1,14)]
    i = 0   #记录页数
    for url in url_list:
        i += 1
        detail_urls = get_url(url)

        j = 0   #记录页数中的编号
        for detail_url in detail_urls:
            j += 1
            get_info(detail_url)
            time.sleep(3)
  • 使用xpath方法的代码实现:
import requests
from lxml import etree
import time

headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}

#获取详细页面的URL
def get_url(url):
    r = requests.get(url, headers = headers)
    print(r.status_code)
    selector = etree.HTML(r.text)
    detail_urls = selector.xpath('//*[@id="page_list"]/ul/li/a')
    time.sleep(1)
    return detail_urls

#获取网页信息
def get_info(detail_url):
    detail_url = detail_url.get("href")
        
    r_detail = requests.get(detail_url,headers = headers)
    selector1 = etree.HTML(r_detail.text)
    
    title = selector1.xpath('//div[@class="pho_info"]/h4/em/text()')[0]
    address = selector1.xpath('//div[@class="pho_info"]/p/span/text()')[0].strip()
    price = selector1.xpath('//div[@class="day_l"]/span/text()')[0]
    host_name = selector1.xpath('//div[@class="w_240"]/h6/a/text()')[0]
    sex_info = selector1.xpath('//div[@class="w_240"]/h6/span/@class')[0]
    sex = male_or_female(sex_info)
    img_url = selector1.xpath('//div[@class="member_pic"]/a/img/@src')[0]
    
    print(i,"_",j,":",title,address,price,host_name,sex,img_url)

#判断用户性别
def male_or_female(sex_info):    
    if sex_info == "member_girl_ico":
        return "女"
    if sex_info == "member_boy_ico":
        return "男"

#程序主入口
if __name__ == "__main__":
    url_list = ["http://gz.xiaozhu.com/search-duanzufang-p{}-0/".format(i) for i in range(1,14)]
    i = 0   #记录页数
    for url in url_list:
        i += 1
        detail_urls = get_url(url)

        j = 0   #记录页数中的编号
        for detail_url in detail_urls:
            j += 1
            get_info(detail_url)
            time.sleep(3)

部分结果为:

1 _ 1 : 
琶洲&广州塔&财经大学客村赤岗地铁口整套房源
 广东省广州市海珠区新港中路456号纵横公寓 330 麦西西雪糕 女 https://image.xiaozhustatic1.com/21/8,0,56,9231,260,260,47556991.jpg
1 _ 2 : 
【逆旅·北欧】新房特惠!越秀公园纪念堂北京路
 广东省广州市越秀区解放北路861号 458 小羽和小果爸爸 男 https://image.xiaozhustatic1.com/21/12,0,53,22858,267,267,216342cc.jpg
...
1 _ 15 : 
a金融城&会展中心/地铁四,五号线&两房
 广东省广州市天河区车陂路骏景花园骏雅轩A2座 328 谢彩蝶 女 https://image.xiaozhustatic1.com/21/12,0,53,23389,329,329,672ca75e.jpg
...

当然,上述代码还爬不了大批量数据,因为短租网的反爬虫还是挺给力的,随时封IP。
这个课题先留着,以后解决。

最后,简单总结一下selector()和xpath()方法的一些不同点:

序号 selector xpath
1 div.pho_info div[@class="pho_info"]
2 text 或get_text() /text()
3 get("src") /@src
4 不需区分相对搜索和绝对搜索 相对搜索需要加上“//”
5 使用空格或者">"选择下一层标签 使用“/”划分下一层标签
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 217,826评论 6 506
  • 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 92,968评论 3 395
  • 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 164,234评论 0 354
  • 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 58,562评论 1 293
  • 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 67,611评论 6 392
  • 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 51,482评论 1 302
  • 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 40,271评论 3 418
  • 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 39,166评论 0 276
  • 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 45,608评论 1 314
  • 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 37,814评论 3 336
  • 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 39,926评论 1 348
  • 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 35,644评论 5 346
  • 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 41,249评论 3 329
  • 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 31,866评论 0 22
  • 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 32,991评论 1 269
  • 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 48,063评论 3 370
  • 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 44,871评论 2 354

推荐阅读更多精彩内容