python爬取大量数据报错_Python爬虫新手入门教学（三）：爬取链家二手房数据

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

前文内容

基本开发环境

Python 3.6

Pycharm

相关模块的使用

requests

parsel

csv

安装Python并添加到环境变量，pip安装需要的相关模块即可。

一、明确需求

爬取图上所框的内容

二、请求网页

打开开发者工具( F12或者鼠标右键点击检查 )选择 notework 查看数据返回的内容。

通过开发者工具可以看到，网站是静态网页数据，请求url地址是可以直接获取数据内容的。

url = 'https://cs.lianjia.com/ershoufang/'

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'

}

response = requests.get(url=url, headers=headers)

print(response.text)

如果你不知道，返回的数据中是否有你想要的内容，你有复制网页的内容，在pycharm的输出结果中进行搜索查看。

三、解析数据

既然网站是静态网页数据，那么就可以直接在开发者工具中 Elements 查看数据在哪

如上图所示，相关的数据内容都包含在 li 标签里面。通过 parsel 解析库，进行解析提取数据就可以了。

selector = parsel.Selector(response.text)

lis = selector.css('.sellListContent li')

for li in lis:

# 标题

title = li.css('.title a::text').get()

# 地址

positionInfo = li.css('.positionInfo a::text').getall()

# 小区

community = positionInfo[0]

# 地名

address = positionInfo[1]

# 房子基本信息

houseInfo = li.css('.houseInfo::text').get()

# 房价

Price = li.css('.totalPrice span::text').get() + '万'

# 单价

unitPrice = li.css('.unitPrice span::text').get().replace('单价', '')

# 发布信息

followInfo = li.css('.followInfo::text').get()

dit = {

'标题': title,

'小区': community,

'地名': address,

'房子基本信息': houseInfo,

'房价': Price,

'单价': unitPrice,

'发布信息': followInfo,

}

print(dit)

当我运行的时候发现报错了。

IndexError: list index out of range 超出索引范围了。 遇事不要慌， 取0超出索引范围，说明数据并没有取到，所以我们要看一下 这个信息下面那一个是什么情况。

搜索发现，这个中间插入了一条广告，也是li标签里面的，所以做一个简单的判断就好了，它是一个广告并没有标题，判断是否有标题就可以了，有就爬取相关内容，没有就pass掉。

for li in lis:

# 标题

title = li.css('.title a::text').get()

if title:

# 地址

positionInfo = li.css('.positionInfo a::text').getall()

# 小区

community = positionInfo[0]

# 地名

address = positionInfo[1]

# 房子基本信息

houseInfo = li.css('.houseInfo::text').get()

# 房价

Price = li.css('.totalPrice span::text').get() + '万'

# 单价

unitPrice = li.css('.unitPrice span::text').get().replace('单价', '')

# 发布信息

followInfo = li.css('.followInfo::text').get()

dit = {

'标题': title,

'小区': community,

'地名': address,

'房子基本信息': houseInfo,

'房价': Price,

'单价': unitPrice,

'发布信息': followInfo,

}

print(dit)

这样就不会报错了。

四、保存数据(数据持久化)

和爬取豆瓣的电影信息是一样的，使用csv模块，把数据保存到Excel里面

# 创建文件

f = open('二手房数据.csv', mode='a', encoding='utf-8', newline='')

csv_writer = csv.DictWriter(f, fieldnames=['标题', '小区', '地名', '房子基本信息',

'房价', '单价', '发布信息'])

# 写入表头

csv_writer.writeheader()

''''

''''

csv_writer.writerow(dit)

五、多页爬取

# 第二页url地址

url_2 = 'https://cs.lianjia.com/ershoufang/pg2/'

# 第三页url地址

url_3 = 'https://cs.lianjia.com/ershoufang/pg3/'

# 第四页url地址

url_4 = 'https://cs.lianjia.com/ershoufang/pg4/'

通过以上的内容，只需要for 循环遍历 pg的参数 即可多页爬取

for page in range(1, 101):

url = f'https://cs.lianjia.com/ershoufang/pg{page}/'

这样就可以进行多页爬取了。

实现效果