利用爬虫Scrapy中的LinkExtractor（链接提取器）

  目标爬取某租房网站的房源信息。首先看一下网页，如下图1，爬北京区域所有的租房信息。 1.jpg 1.2.jpg

  从图上可以看到每一条出租房屋信息，主要包括：价格，户型，面积，楼层，装修，类型，所在区，小区，出租方式，朝向，邻近的地铁线。

  首先，进行一次抓包，图2是抓包数据。 2.jpg
  开始上代码：
  创建一个scrapy项目（scrapy startproject Anjuke_Spider）。会生成如下图3的目录。然后，在“spiders”文件夹下创建一个py文档，这里命名为“anjuke_zufang”。然后加入“run”文件。最后的目录如图4. 3.jpg 4.jpg

  下面，跳过scrapy的"settings"设置，直接写主要代码。
  引入所要用的库：

import scrapy
from scrapy.spiders import Rule
from scrapy.linkextractors import LinkExtractor
from Anjuke_Spider.items import AnjukeSpiderItem

  然后创建一个爬虫的类：
class AnjukeSpider(scrapy.spiders.CrawlSpider): name = 'anjuke'
  写起始的url：
start_urls = ['https://bj.zu.anjuke.com/']
  接下来就是本文的核心，LinkExtractor，首先得根据抓包数据和网页进行分析，并不是所有的网页爬取都能使用LinkExtractor。首先得分析需要爬取的网页url。
首先分析不同的目录页url，点击页面下的页码项，去不同目录页，发现其url如下：

https://bj.zu.anjuke.com/?from=navigation 第1页
https://bj.zu.anjuke.com/fangyuan/p2/ 第2页
https://bj.zu.anjuke.com/fangyuan/p3/ 第3页
https://bj.zu.anjuke.com/fangyuan/p4/ 第4页
https://bj.zu.anjuke.com/fangyuan/p5/ 第5页

  其中试着将第1页的url改为“https://bj.zu.anjuke.com/fangyuan/p1/”，访问这个url，发现返回的正是第1页的页面。 这样便发现房源的目录页面有这样的规律，他们url大致一样，改变的仅是最后的页码编号，这可以用如下的代码匹配房源目录页面的url：
https://bj.zu.anjuke.com/fangyuan/p\d+/
  在得到房源目录页面后，点击房源进入房源页面，获取所要的信息，如图5，我们点击网页获取我们需要的信息，可以发现其网址类似于图6所示，形如：

https://bj.zu.anjuke.com/fangyuan/1203399585?from=Filter_1&hfilter=filterlist
https://bj.zu.anjuke.com/fangyuan/1202089286?from=Filter_2&hfilter=filterlist
https://bj.zu.anjuke.com/fangyuan/1200258936?from=Filter_3&hfilter=filterlist

  可以发现不同的网页，在url上主要是url末尾的10位数字不同。url的？号后的内容一般是jquery，有些内容可以去掉这样来简化url。把问号后的内容去掉发现其仍能够访问房源的页面，这样便能找到房源页面的url的规律，可以用如下的代码匹配房源的url：
https://bj.zu.anjuke.com/fangyuan/\d{10}

5.jpg 6.jpg
接下开始使用“Rule”和“LinkExtractor”：

rules = (
        Rule(LinkExtractor(allow='fangyuan/p\d+/'), follow=True),
        Rule(LinkExtractor(allow='https://bj.zu.anjuke.com/fangyuan/\d{10}'), callback='parse_item'),
    )

  第一行“Rule(LinkExtractor(allow='fangyuan/p\d+/'), follow=True)”，用“allow”指定要访问的网址，因为前面已经指定start_urls，所以这里将“follow”指定为“True”，表示在start_urls后面添加，合起来即“https://bj.zu.anjuke.com/fangyuan/p\d+/”，这里访问的是房源的目录页。
第二行“Rule(LinkExtractor(allow='https://bj.zu.anjuke.com/fangyuan/\d{10}'), callback='parse_item')”是在第一行访问房源页的基础上，访问每一个房源页，“callback”指定下面对数据进行处理的方法。
  接下来就该定义一个方法，方法名应该与“callback”指定的方法名相同。

    def parse_item(self, response):
        price = int(response.xpath("//ul[@class='house-info-zufang cf']/li[1]/span[1]/em/text()").extract_first())
        house_type = response.xpath("//ul[@class='house-info-zufang cf']/li[2]/span[2]/text()").extract_first()
        area = int(response.xpath("//ul[@class='house-info-zufang cf']/li[3]/span[2]/text()").extract_first().replace('平方米',''))
        rent_type = response.xpath("//ul[@class='title-label cf']/li[1]/text()").extract_first()
        towards = response.xpath("//ul[@class='house-info-zufang cf']/li[4]/span[2]/text()").extract_first()
        floor = response.xpath("//ul[@class='house-info-zufang cf']/li[5]/span[2]/text()").extract_first()
        decoration = response.xpath("//ul[@class='house-info-zufang cf']/li[6]/span[2]/text()").extract_first()
        building_type = response.xpath("//ul[@class='house-info-zufang cf']/li[7]/span[2]/text()").extract_first()
        district = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[2]/text()").extract_first()
        station = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[3]/text()").extract_first()
        community = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[1]/text()").extract_first()
        subway_line = response.xpath("//ul[@class='title-label cf']/li[3]/text()").extract_first()

  方法parse_item的response返回的便是房源页面的HTML数据，因为没有json数据，所以只能从HTML数据匹配所需要的数据。这里用的Xpath，获取price（租金）、house_type（户型）、area（面积）、rent_type（出租方式）、towards（朝向）、floor（楼层）、decoration（装修）、building_type（楼类型）、district（所在区）、station（临近地铁站）、community（社区、小区）、subway_line（地铁线路）。
最后贴上anjuke_zufang.py的完整代码：

import scrapy
from scrapy.spiders import Rule
from scrapy.linkextractors import LinkExtractor
from Anjuke_Spider.items import AnjukeSpiderItem

class AnjukeSpider(scrapy.spiders.CrawlSpider):

    name = 'anjuke'
    start_urls = ['https://bj.zu.anjuke.com/']

    rules = (
        Rule(LinkExtractor(allow='fangyuan/p\d+/'), follow=True),
        Rule(LinkExtractor(allow='https://bj.zu.anjuke.com/fangyuan/\d{10}'), callback='parse_item'),
    )

    def parse_item(self, response):
        price = int(response.xpath("//ul[@class='house-info-zufang cf']/li[1]/span[1]/em/text()").extract_first())
        house_type = response.xpath("//ul[@class='house-info-zufang cf']/li[2]/span[2]/text()").extract_first()
        area = int(response.xpath("//ul[@class='house-info-zufang cf']/li[3]/span[2]/text()").extract_first().replace('平方米',''))
        rent_type = response.xpath("//ul[@class='title-label cf']/li[1]/text()").extract_first()
        towards = response.xpath("//ul[@class='house-info-zufang cf']/li[4]/span[2]/text()").extract_first()
        floor = response.xpath("//ul[@class='house-info-zufang cf']/li[5]/span[2]/text()").extract_first()
        decoration = response.xpath("//ul[@class='house-info-zufang cf']/li[6]/span[2]/text()").extract_first()
        building_type = response.xpath("//ul[@class='house-info-zufang cf']/li[7]/span[2]/text()").extract_first()
        district = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[2]/text()").extract_first()
        station = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[3]/text()").extract_first()
        community = response.xpath("//ul[@class='house-info-zufang cf']/li[8]/a[1]/text()").extract_first()
        subway_line = response.xpath("//ul[@class='title-label cf']/li[3]/text()").extract_first()


        item = AnjukeSpiderItem()
        item['price'] = price
        item['house_type'] = house_type
        item['area'] = area
        item['rent_type'] = rent_type
        item['towards'] = towards
        item['floor'] = floor
        item['decoration'] = decoration
        item['building_type'] = building_type
        item['district'] = district
        item['station'] = station
        item['community'] = community
        item['subway_line'] = subway_line

        yield item

  对于scrapy项目，除了要写爬虫的主程序，还需要配置settings，items，pipelines，middleware等文件。还需要修改run文件。对于items文件修改如下：

import scrapy

class AnjukeSpiderItem(scrapy.Item):
    price = scrapy.Field()
    house_type = scrapy.Field()
    area = scrapy.Field()
    rent_type = scrapy.Field()
    towards = scrapy.Field()
    floor = scrapy.Field()
    decoration = scrapy.Field()
    building_type = scrapy.Field()
    district = scrapy.Field()
    community = scrapy.Field()
    station = scrapy.Field()
    subway_line = scrapy.Field()

本项目需要在settings中设置headers，如下：

DEFAULT_REQUEST_HEADERS = {
    'Connection': 'keep-alive',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9'
}

  run文件如下：

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings

# 获取settings.py模块的设置
from Anjuke_Spider.spiders.anjuke_zufang import AnjukeSpider

settings = get_project_settings()
process = CrawlerProcess(settings=settings)

# 可以添加多个spider
process.crawl(AnjukeSpider)

# 启动爬虫，会阻塞，直到爬取完成
process.start()

  其次还需要在pipelines中将结果写入一个文件中，本项目将结果写入了mysql数据库，这里不再详细介绍。

  最后爬取的结果如下图： 8.jpg

  其中要注意的是，在爬取的过程中，会触发网站的反爬机制，但是在设置一个随机的时间间隔便能继续进行，在settings中设置：
DOWNLOAD_DELAY = 1.5