美文网首页Python 爬虫大数据大数据
Python爬虫入门 | 5 爬取小猪短租租房信息

Python爬虫入门 | 5 爬取小猪短租租房信息

作者: DC学院 | 来源:发表于2017-12-14 18:11 被阅读372次

    小猪短租是一个租房网站,上面有很多优质的民宿出租信息,下面我们以成都地区的租房信息为例,来尝试爬取这些数据。

    小猪短租(成都)页面:http://cd.xiaozhu.com/

    1.爬取租房标题

    按照惯例,先来爬下标题试试水,找到标题,复制xpath。


    多复制几个房屋的标题 xpath 进行对比:

    //*[@id="page_list"]/ul/li[1]/div[2]/div/a/span
    //*[@id="page_list"]/ul/li[2]/div[2]/div/a/span
    //*[@id="page_list"]/ul/li[3]/div[2]/div/a/span
    

    瞬间发现标题的 xpath 只在<li>后序号变化,于是,秒写出爬取整页标题的 xpath:

    //*[@id=“page_list”]/ul/li/div[2]/div/a/span
    


    还是固定的套路,让我们尝试把整页的标题爬下来:

    小猪在IP限制方面比较严格,代码中务必要加入 sleep() 函数控制爬取的频率


    好了,再来对比下 xpath 信息

    image.png

    顺着标题的标签网上找,找到整个房屋信息标签, xpath 对比如下:

    //*[@id=“page_list”]/ul/li   #整体
    //*[@id=“page_list”]/ul/li/div[2]/div/a/span   #标题
    


    你应该知道该怎么来改代码了吧,写一个循环:

    file=s.xpath(‘//*[@id=“page_list”]/ul/li’)
    for div in file:    
      title=div.xpath("./div[2]/div/a/span/text()")[0]
    


    好了,来运行一下试试:

    2.爬取多个元素的信息

    对比其他元素的 xpath:

    //*[@id=“page_list”]/ul/li   #整体
    //*[@id=“page_list”]/ul/li/div[2]/div/a/span   #标题
    //*[@id=“page_list”]/ul/li/div[2]/span[1]/i   #价格
    //*[@id=“page_list”]/ul/li/div[2]/div/em   #描述
    //*[@id=“page_list”]/ul/li/a/img   #图片
    


    然后可以写出代码:

    file=s.xpath(“//*[@id=“page_list”]/ul/li”)
    for div in file:    
      title=div.xpath(“./div[2]/div/a/span/text()”)[0]          
      price=div.xpath(“./div[2]/span[1]/i/text()”)[0]    
      scrible=div.xpath(“./div[2]/div/em/text()”)[0].strip()    
      pic=div.xpath(“./a/img/@lazy_src”)[0]
    


    来尝试运行一下:

    3.翻页,爬取更多页面

    看一下翻页时候 url 的变化:

    http://cd.xiaozhu.com/search-duanzufang-p1-0/    #第一页
    http://cd.xiaozhu.com/search-duanzufang-p2-0/    #第二页
    http://cd.xiaozhu.com/search-duanzufang-p3-0/    #第三页
    http://cd.xiaozhu.com/search-duanzufang-p4-0/    #第四页
    ……………………
    


    url 变化的规律很简单,只是 p 后面的数字不一样而已,而且跟页码的序号是一模一样的,这就很好办了……写一个简单的循环来遍历所有的url。

    for a in range(1,6):    
      url = ‘http://cd.xiaozhu.com/search-duanzufang-p{}-0/’.format(a)
      # 我们这里尝试5个页面,你可以根据自己的需求来写爬取的页面数量
    


    完整的代码如下:

    from lxml import etree
    import requests
    import time
    
    for a in range(1,6):
        url = 'http://cd.xiaozhu.com/search-duanzufang-p{}-0/'.format(a)
        data = requests.get(url).text
    
        s=etree.HTML(data)
        file=s.xpath('//*[@id="page_list"]/ul/li')
        time.sleep(3)
        
        for div in file:
            title=div.xpath("./div[2]/div/a/span/text()")[0]
            price=div.xpath("./div[2]/span[1]/i/text()")[0]
            scrible=div.xpath("./div[2]/div/em/text()")[0].strip()
            pic=div.xpath("./a/img/@lazy_src")[0]
                
            print("{}   {}   {}   {}\n".format(title,price,scrible,pic))
    
    


    看一下爬了5个页面下来的效果:


    相信你已经掌握爬虫基本的套路了,但你还需要去不断熟悉,能独立写出代码为止。

    写代码不仅要细心,也需要耐心。很多人从入门到放弃,并不是因为编程这件事情有多难,而是某次实践过程中,遇到一个小问题。


    好了,这节课就到这里!



    下节预告:Python爬虫入门 | 6 将爬回来的数据存到本地

    完整7节课程目录:
    Python爬虫入门 | 1 Python环境的安装
    Python爬虫入门 | 2 爬取豆瓣电影信息
    Python爬虫入门 | 3 爬虫必备Python知识
    Python爬虫入门 | 4 爬取豆瓣TOP250图书信息
    Python爬虫入门 | 5 爬取小猪短租租房信息
    Python爬虫入门 | 6 将爬回来的数据存到本地
    Python爬虫入门 | 7 分类爬取豆瓣电影,解决动态加载问题

    白白~

    相关文章

      网友评论

      本文标题:Python爬虫入门 | 5 爬取小猪短租租房信息

      本文链接:https://www.haomeiwen.com/subject/cfxlwxtx.html