Python手拉手教你爬取贝壳房源数据的实战教程

一、爬虫是什么？

 在进行大数据分析或者进行数据挖掘的时候，数据源可以从某些提供数据统计的网站获得，也可以从某些文献或内部资料中获得，但是这些获得数据的方式，有时很难满足我们对数据的需求，而手动从互联网中去寻找这些数据，则耗费的精力过大。此时就可以利用爬虫技术，自动地从互联网中获取我们感兴趣的数据内容，并将这些数据内容爬取回来，作为我们的数据源，从而进行更深层次的数据分析，并获得更多有价值的信息。 在使用爬虫前首先要了解爬虫所需的库（requests）或者( urllib.request )，该库是为了爬取数据任务而创建的。

 二、使用步骤

1.引入库

代码如下（示例）：

import os
import urllib.request
import random
import time
class BeikeSpider:
    def __init__(self, save_path=\"./beike\"):
        \"\"\"
        贝壳爬虫构造函数
        :param save_path: 网页保存目录
        \"\"\"

2.读入数据

代码如下 ：

# 网址模式
        self.url_mode = \"http://{}.fang.ke.com/loupan/pg{}/\"
        # 需爬取的城市
        self.cities = [\"cd\", \"sh\", \"bj\"]
        # 每个城市爬取的页数
        self.total_pages = 20
        # 让爬虫程序随机休眠5-10秒
        self.sleep = (5, 10)
        # 网页下载保存根目录
        self.save_path = save_path
        # 设置用户代理，是爬虫程序伪装成浏览器
        self.headers = {\"User-Agent\": \"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36\"}
        # 代理IP的信息
        self.proxies = [
            {\"https\": \"123.163.67.50:8118\"},
            {\"https\": \"58.56.149.198:53281\"},
            {\"https\": \"14.115.186.161:8118\"}
        ]

        # 创建保存目录
        if not os.path.exists(self.save_path):
            os.makedirs(self.save_path)
   def crawl(self):
        \"\"\"
        执行爬取任务
        :return: None
        \"\"\"

该处使用的url网络请求的数据。

3.随机选择一个ip地址构建代理服务器

 for city in self.cities:
            print(\"正在爬取的城市:\", city)
            # 每个城市的网页用单独的目录存放
            path = os.path.join(self.save_path, city)
            if not os.path.exists(path):
                os.makedirs(path)

            for page in range(1, self.total_pages+1):
                # 构建完整的url
                url = self.url_mode.format(city, page)
                # 构建Request对象, 将url和请求头放入对象中
                request = urllib.request.Request(url, headers=self.headers)

                # 随机选择一个代理IP
                proxy = random.choice(self.proxies)
                # 构建代理服务器处理器
                proxy_handler = urllib.request.ProxyHandler(proxy)
                # 构建opener
                opener = urllib.request.build_opener(proxy_handler)
                # 使用构建的opener打开网页
                response = opener.open(request)
                html = response.read().decode(\"utf-8\")
                # 网页保存文件名(包含路径)
                filename = os.path.join(path, str(page)+\".html\")

                # 保存网页
                self.save(html, filename)
                print(\"第%d页保存成功！\" % page)

                # 随机休眠
                sleep_time = random.randint(self.sleep[0], self.sleep[1])
                time.sleep(sleep_time)

该处除随机选择ip地址以外还会限制爬取数据的速度，避免暴力爬取。

4.运行代码

def save(self, html, filename):
        \"\"\"
        保存下载的网页
        :param html: 网页内容
        :param filename: 保存的文件名
        :return:
        \"\"\"

        f = open(filename, \'w\', encoding=\"utf-8\")
        f.write(html)
        f.close()

    def parse(self):
        \"\"\"
        解析网页数据
        :return:
        \"\"\"
        pass

if __name__ == \"__main__\":
    spider = BeikeSpider()
    spider.crawl()

运行结果就会这样，会保存在你的文件夹中。

总结

这里对文章进行总结：今天分析这波代码目的是为了让大家清晰明亮的了解python爬虫的运作，和大家一起学习
以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而urllib.request提供了大量能使我们快速便捷地爬取数据。