“Python實現(xiàn)的鏈家網(wǎng)站的爬蟲第三部分。”

本系列文將以鏈家南京站為例，使用Python實現(xiàn)鏈家二手房源信息的爬蟲，將數(shù)據(jù)爬取，并存入數(shù)據(jù)庫中，以便使用。

本系列第一部分為基礎(chǔ)：

如何高效地爬取鏈家的房源信息（一）

本系列第二部分為爬取小區(qū)信息：

如何高效地爬取鏈家的房源信息（二）

本文是第三部分，爬取在售二手房信息并存入數(shù)據(jù)庫，部分代碼依賴于第一部分，同時依賴于第二部分的結(jié)果。

在前文中已經(jīng)獲取了小區(qū)信息，并存在了數(shù)據(jù)庫中，直接讀庫遍歷小區(qū)進行爬取：

def do_xiaoqu_zaishou_spider(db_xq,db_zs):

? ? """

? ? 批量爬取小區(qū)在售

? ? """

? ? count=0

? ? xq_list=db_xq.fetchall()

? ? for xq in xq_list:

? ? ? ? xiaoqu_zaishou_spider(db_cj,xq[0])

? ? ? ? count+=1

? ? ? ? print ('have spidered zaishou %d xiaoqu %s' % (count,xq[0]))

? ? print( 'done')

對某一個小區(qū)內(nèi)的所有在售房源進行爬取，需要分頁：

def xiaoqu_zaishou_spider(db_cj, xq_url=u"https://nj.lianjia.com/xiaoqu/1411000000391/"):

? ? """

? ? 爬取小區(qū)在售

? ? """

? ? url = xq_url.replace('xiaoqu/','ershoufang/c');

? ? try:

? ? ? ? req = urllib.request.Request(url, headers=hds[random.randint(0, len(hds) - 1)])

? ? ? ? source_code = urllib.request.urlopen(req, timeout=10).read()

? ? ? ? plain_text = source_code.decode('utf-8')

? ? ? ? soup = BeautifulSoup(plain_text,"html.parser")

? ? except (urllib.request.HTTPError, urllib.request.URLError) as e:

? ? ? ? print(e)

? ? ? ? exception_write('xiaoqu_zaishou_spider', xq_url)

? ? ? ? return

? ? except Exception as e:

? ? ? ? print(e)

? ? ? ? exception_write('xiaoqu_zaishou_spider', xq_url)

? ? ? ? return

? ? content = soup.find('div', {'class': 'page-box house-lst-page-box'})

? ? total_pages = 0

? ? if content:

? ? ? ? d = "d=" + content.get('page-data')

? ? ? ? loc = {}

? ? ? ? glb = {}

? ? ? ? exec(d, glb, loc);

? ? ? ? total_pages = loc['d']['totalPage']

? ? threads = []

? ? for i in range(total_pages):

? ? ? ? tmp= u'ershoufang/pg%dc'% (i + 1)

? ? ? ? url_page = url.replace('ershoufang/c',tmp);

? ? ? ? t = threading.Thread(target=zaishou_spider, args=(db_cj, url_page))

? ? ? ? threads.append(t)

? ? for t in threads:

? ? ? ? t.start()

? ? for t in threads:

? ? ? ? t.join()

爬取單個頁面內(nèi)的在售信息：

def zaishou_spider(db_cj, url_page=u"https://nj.lianjia.com/chengjiao/pg4c1411000000142/"):

? ? """

? ? 爬取頁面鏈接中的在售

? ? """

? ? try:

? ? ? ? req = urllib.request.Request(url_page, headers=hds[random.randint(0, len(hds) - 1)])

? ? ? ? source_code = urllib.request.urlopen(req, timeout=10).read()

? ? ? ? plain_text = source_code.decode('utf-8');

? ? ? ? soup = BeautifulSoup(plain_text,"html.parser")

? ? except (urllib.request.HTTPError, urllib.request.URLError) as e:

? ? ? ? print(e)

? ? ? ? exception_write('zaishou_spider', url_page)

? ? ? ? return

? ? except Exception as e:

? ? ? ? print(e)

? ? ? ? exception_write('zaishou_spider', url_page)

? ? ? ? return

? ? cjs = soup.find('ul', {'class': 'sellListContent'});

? ? cj_list = cjs.findAll('li', {})

? ? for cj in cj_list:

? ? ? ? info_dict = {}

? ? ? ? title = cj.find('div', {'class': 'title'});

? ? ? ? houseInfo = cj.find('div', {'class': 'houseInfo'});

? ? ? ? positionInfo = cj.find('div', {'class': 'positionInfo'});

? ? ? ? followInfo = cj.find('div', {'class': 'followInfo'});

? ? ? ? tag = cj.find('div', {'class': 'tag'});

? ? ? ? totalPrice = cj.find('div', {'class': 'totalPrice'});

? ? ? ? unitPrice = cj.find('div', {'class': 'unitPrice'});

? ? ? ? href = title.find('a')

? ? ? ? if not href:

? ? ? ? ? ? continue

? ? ? ? info_dict.update({u'鏈接': href.attrs['href']})

? ? ? ? content = title.text

? ? ? ? info_dict.update({u'房子描述': content})

? ? ? ? content = houseInfo.text.split('|')??

#有可能有別墅項，有可能無部分項

? ? ? ? if content:

? ? ? ? ? ? info_dict.update({u'小區(qū)名稱': content[0].strip()})

? ? ? ? ? ? if content[1].find(u'墅') != -1:

? ? ? ? ? ? ? ? i=1;

? ? ? ? ? ? else:

? ? ? ? ? ? ? ? i=0;

? ? ? ? ? ? if len(content) >= 2+i:

? ? ? ? ? ? ? ? info_dict.update({u'戶型': content[1+i].strip()})

? ? ? ? ? ? if len(content) >= 3+i:

? ? ? ? ? ? ? ? info_dict.update({u'面積': content[2+i].strip()})

? ? ? ? ? ? if len(content) >= 4+i:

? ? ? ? ? ? ? ? info_dict.update({u'朝向': content[3+i].strip()})

? ? ? ? ? ? if len(content) >= 5+i:

? ? ? ? ? ? ? ? info_dict.update({u'裝修': content[4+i].strip()})

? ? ? ? ? ? if len(content) >= 6+i:

? ? ? ? ? ? ? ? info_dict.update({u'電梯': content[5+i].strip()})

? ? ? ? content = positionInfo.text.split('-')

? ? ? ? if len(content) >= 2:

? ? ? ? ? ? info_dict.update({u'樓層年代樓型': content[0].strip()})?

? ? ? ? ? ? info_dict.update({u'區(qū)域': content[1].strip()})??

? ? ? ? else:

? ? ? ? ? ? info_dict.update({u'區(qū)域': content[0].strip()})??

? ? ? ? content = followInfo.text.split('/')

? ? ? ? for cont in content:

? ? ? ? ? ? if cont.find(u'關(guān)注') != -1:

? ? ? ? ? ? ? ? info_dict.update({u'關(guān)注': cont.strip()})

? ? ? ? ? ? elif cont.find(u'帶看') != -1:

? ? ? ? ? ? ? ? info_dict.update({u'帶看': cont.strip()})

? ? ? ? ? ? elif cont.find(u'發(fā)布') != -1:

? ? ? ? ? ? ? ? info_dict.update({u'發(fā)布時間': cont.strip()})

? ? ? ? if tag != None:

? ? ? ? ? ? tagall=tag.findAll('span')

? ? ? ? ? ? for span in tagall:

? ? ? ? ? ? ? ? if span.attrs['class'][0] ==u'taxfree':

? ? ? ? ? ? ? ? ? ? info_dict.update({u'稅費': span.text})? # 滿幾年

? ? ? ? ? ? ? ? elif span.attrs['class'][0] ==u'subway':

? ? ? ? ? ? ? ? ? ? info_dict.update({u'地鐵': span.text})

? ? ? ? ? ? ? ? elif span.attrs['class'][0] ==u'haskey':

? ? ? ? ? ? ? ? ? ? info_dict.update({u'限制': span.text})

? ? ? ? info_dict.update({u'掛牌價': totalPrice.text})

? ? ? ? info_dict.update({u'掛牌單價': unitPrice.text})

? ? ? ? command = gen_zaishou_insert_command(info_dict)

? ? ? ? db_zs.execute(command, 1)

爬取的在售房源信息將被存儲到數(shù)據(jù)庫表中。

在接下來將說明如何爬取歷史成交二手房信息，敬請期待。

長按進行關(guān)注。