90行代码爬取链家广州二手房相关信息_selenium 爬取广州市二手房信息

最近笔者在学习爬虫，学的有些许懵逼，打算自己做一个简单的爬虫综合一下学习的知识，这个爬虫很简单，主要是爬取链家广州二手房的信息，并将相关信息进行整理，利用pandas库输入进我们的excel表格里，废话不多说，让我们一起来看看代码

import urllib
from urllib.request import build_opener
import urllib3
import json
from http import cookiejar
from urllib.request import HTTPCookieProcessor
from urllib.request import install_opener
import re
import requests
from bs4 import BeautifulSoup
import pandas
import numpy as np
# 我们这里发现了链家翻页的时候，后面的pg会+1，所以我们会输入相应的页数来达到爬取多页面的行为

base_url = "https://gz.lianjia.com/ershoufang/pg{}/"
# 构造headers，这些都是在chrome的开发者工具里面获取来的
headers = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cache-Control': 'max-age=0',
    'Connection': 'keep-alive',
    'Cookie': 'select_city=110000; all-lj=dafad6dd721afb903f2a315ab2f72633; lianjia_uuid=20e04e6a-43b9-4aff-92dd-da1a6ee8ac5d; TY_SESSION_ID=5c0be168-287f-4a70-81ef-27814df5724b; _smt_uid=5ca9b45b.c2b1829; sajssdk_2015_cross_new_user=1; _ga=GA1.2.1478954141.1554625630; _gid=GA1.2.1048010799.1554625630; Hm_lvt_9152f8221cb6243a53c83b956842be8a=1554625628,1554626037; lianjia_ssid=4318f646-8d65-40f1-8079-6daa47bdd643; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%22169f6e8889a2f9-09a6f2c0908db2-e323069-1327104-169f6e8889b7d4%22%2C%22%24device_id%22%3A%22169f6e8889a2f9-09a6f2c0908db2-e323069-1327104-169f6e8889b7d4%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_referrer%22%3A%22%22%2C%22%24latest_referrer_host%22%3A%22%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%7D%7D; _gat=1; _gat_past=1; _gat_global=1; _gat_new_global=1; _gat_dianpu_agent=1; Hm_lpvt_9152f8221cb6243a53c83b956842be8a=1554626134',
    'Host': 'bj.lianjia.com',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}

# 我们传入参数page，指定爬虫的页数
def generate_url(page):
    base_url = "https://gz.lianjia.com/ershoufang/pg{}/"
    for url_next in range(1, page+1):
        yield base_url.format(url_next)
        # 构造一个生成器，生成多页面url
        
# 访问我们的url，并正则表达式匹配到每一个住房的具体页面的url
![](https://img-blog.csdnimg.cn/20190408150456322.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDEwNjkyOA==,size_16,color_FFFFFF,t_70)
# 访问的就是这些带有标题的页面
def getallurl(generate_url):
    html = requests.get(generate_url, headers=headers)
    if html.status_code == 200:
        re_set = re.compile('<a.*?class="noresultRecommend.*?img.*?".*?href="(.*?)"')
        re_get = re.findall(re_set, html.text)
        return re_get
# 利用beautifsoup选择我们需要的数据，相关数字我们进行int转换，并以列表的形式添加进去
def open_url(re_get, info_index, info_title, info_price, info_unit):
    res = requests.get(re_get, headers=headers)
    if res.status_code == 200:
        info = {}
        soup = BeautifulSoup(res.text, 'lxml')
        info_index.append(int(float(soup.select('.total')[0].text)))
        info_title.append(soup.select('.main')[0].text)
        info_price.append(soup.select('.total')[0].text + '万')
        info_unit.append(soup.select('.unitPrice')[0].text)
        info_total = zip(info_index, info_title, info_price, info_unit )
 # 为了返回结果方便，我先zip了这四个数据合并到一起，后续再unpack
    return  info_total

# 这个方法就是unpack
def unzip_elements(info_elements):
    index, title, price, unit = [*zip(*info_elements)]
    index_list = list(index)
    title_list = list(title)
    price_list = list(price)
    unit_list = list(unit)
    return index_list, title_list, price_list, unit_list
# 构造一个dataFrame来实现写入excel的操作
def save_to_xlsx(info):
    pdlook = pandas.DataFrame(info)
    pdlook.to_excel('链家.xlsx', sheet_name="链家二手房广州")
# 主程序
if __name__ == '__main__':
    page = int(input("请输入你要的页数"))
    # 定义要存储数据的列表
    info_index = []
    info_title = []
    info_price = []
    info_unit = []
    # 这里我用2个for循环实现获取页面url，获取每一个页面的28个具体住房信息url
    for i in generate_url(page):
        print(i)
        get = getallurl(i)
        print(len(get))
        # 因为每个页面有28个结果
        for i in range (1, 29):
            info_elements = open_url(get[i], info_index, info_title, info_price, info_unit)

        # 将数据unpack，分别存到这四个变量中
        index_list, title_list, price_list, unit_list = unzip_elements(info_elements)
        # 将各个数据组合成一个字典
        data = {'index': index_list, 'title':title_list, 'price':price_list, 'unit':unit_list}
        save_to_xlsx(data)
        print(data)
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94