Python爬蟲實戰（3）：安居客房產經紀人信息采集

馬忠志發布于2019-07-25 10:36 / 3556人閱讀

摘要：為了使用各種應用場景，該項目的整個網絡爬蟲產品線包含了四類產品，如下圖所示本實戰是上圖中的獨立爬蟲的一個實例，以采集安居客房產經紀人信息為例，記錄整個采集流程，包括和依賴庫的安裝，即便是初學者，也可以跟著文章內容成功地完成運行。

1，引言

Python開源網絡爬蟲項目啟動之初，我們就把網絡爬蟲分成兩類：即時爬蟲和收割式網絡爬蟲。為了使用各種應用場景，該項目的整個網絡爬蟲產品線包含了四類產品，如下圖所示：

本實戰是上圖中的“獨立python爬蟲”的一個實例，以采集安居客房產經紀人(http://shenzhen.anjuke.com/tycoon/nanshan/p1/ )信息為例，記錄整個采集流程，包括python和依賴庫的安裝，即便是python初學者，也可以跟著文章內容成功地完成運行。

2，Python和相關依賴庫的安裝

運行環境：Windows10

2.1，安裝Python3.5.2

官網下載鏈接: https://www.python.org/ftp/python/3.5.2/python-3.5.2.exe

下載完成后，雙擊安裝。

這個版本會自動安裝pip和setuptools，方便安裝其它的庫

2.2，Lxml 3.6.0

Lxml官網地址: http://lxml.de/

Windows版安裝包下載: http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml

對應windows下python3.5的安裝文件為 lxml-3.6.0-cp35-cp35m-win32.whl

下載完成后，在windows下打開一個命令窗口,，切換到剛下載的whl文件的存放目錄，運行pip install lxml-3.6.0-cp35-cp35m-win32.whl

2.3，下載網頁內容提取器程序

網頁內容提取器程序是GooSeeker為開源Python即時網絡爬蟲項目發布的一個類，使用這個類，可以大大減少信息采集規則的調試時間，具體參看《Python即時網絡爬蟲項目: 內容提取器的定義》

下載地址: https://github.com/FullerHua/gooseeker/blob/master/core/gooseeker.py

把gooseeker.py保存在項目目錄下

3，網絡爬蟲的源代碼

# _*_coding:utf8_*_
# anjuke.py
# 爬取安居客房產經紀人

from urllib import request
from lxml import etree
from gooseeker import GsExtractor

class Spider:
    def getContent(self, url):
        conn = request.urlopen(url)
        output = etree.HTML(conn.read())
        return output

    def saveContent(self, filepath, content):
        file_obj = open(filepath, "w", encoding="UTF-8")
        file_obj.write(content)
        file_obj.close()

bbsExtra = GsExtractor() 
# 下面這句調用gooseeker的api來設置xslt抓取規則
# 第一個參數是app key，請到GooSeeker會員中心申請
# 第二個參數是規則名，是通過GooSeeker的圖形化工具: 謀數臺MS 來生成的
bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e" , "安居客房產經紀人")  

url = "http://shenzhen.anjuke.com/tycoon/nanshan/p"
totalpages = 50
anjukeSpider = Spider()
print("爬取開始")

for pagenumber in range(1 , totalpages):
    currenturl = url + str(pagenumber)
    print("正在爬取", currenturl)
    content = anjukeSpider.getContent(currenturl)
    outputxml = bbsExtra.extract(content)
    outputfile = "result" + str(pagenumber) +".xml"
    anjukeSpider.saveContent(outputfile , str(outputxml))

print("爬取結束")

運行過程如下:

將上面的代碼保存到anjuke.py中，和前面2.3步下載的提取器類gooseeker.py放在同一個文件夾中

打開Windows CMD窗口，切換當前目錄到存放anjuke.py的路徑(cd xxxxxxx)

運行 python anjuke.py

請注意：為了讓源代碼更整潔，也為了讓爬蟲程序更有通用性，抓取規則是通過api注入到內容提取器bbsExtra中的，這樣還有另外一個好處：如果目標網頁結構變化了，只需通過MS謀數臺重新編輯抓取規則，而本例的網絡爬蟲代碼不用修改。為內容提取器下載采集規則的方法參看《Python即時網絡爬蟲：API說明》。

4，爬蟲結果

在項目目錄下可以看到多個result**.xml文件，文件內容如下圖所示：

5，總結

因為信息采集規則是通過api下載下來的，所以，本案例的源代碼顯得十分簡潔。同時，整個程序框架變得很通用，因為最影響通用性的采集規則是從外部注入的。

6，集搜客GooSeeker開源代碼下載源

GooSeeker開源Python網絡爬蟲GitHub源

7，文檔修改歷史

2016.07.11：V1.0

GPU云服務器云服務器 python爬蟲實戰安居客爬蟲 python3爬蟲實戰安居客 python

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/38060.html

Python爬蟲實戰（4）：豆瓣小組話題數據采集—動態網頁

摘要：，引言注釋上一篇爬蟲實戰安居客房產經紀人信息采集，訪問的網頁是靜態網頁，有朋友模仿那個實戰來采集動態加載豆瓣小組的網頁，結果不成功。 showImg(https://segmentfault.com/img/bVzdNZ); 1，引言注釋：上一篇《Python爬蟲實戰（3）：安居客房產經紀人信息采集》，訪問的網頁是靜態網頁，有朋友模仿那個實戰來采集動態加載豆瓣小組的網頁，結果不成功...

blastz 2019-07-25 10:36 評論0 收藏0
SegmentFault 技術周刊 Vol.30 - 學習 Python 來做一些神奇好玩的事情吧

摘要：學習筆記七數學形態學關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。學習筆記十一尺度不變特征變換，簡稱是圖像局部特征提取的現代方法基于區域圖像塊的分析。本文的目的是簡明扼要地說明的編碼機制，并給出一些建議。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言開始之前，我們先來看這樣一個提問： pyth...

lifesimple 2019-07-30 14:22 評論0 收藏0
Python微型異步爬蟲框架

摘要：微型異步爬蟲框架基于的異步框架，搭建一個模塊化的微型異步爬蟲。可以對該爬蟲的布隆過濾器進行配置，安裝中間件等。回調函數整個項目的主要實現在于回調函數的使用，利用異步請求得到響應后馬上調用其請求綁定的回調函數來實現爬蟲的異步爬取。 Amipy Python微型異步爬蟲框架(A micro asynchronous Python website crawler framework) 基于...

z2xy 2019-07-31 10:03 評論0 收藏0
如何快速掌握Python數據采集與網絡爬蟲技術

摘要：通過本文的學習，可以快速掌握網絡爬蟲基礎，結合實戰練習，寫出一些簡單的爬蟲項目。從技術手段來說，網絡爬蟲有多種實現方案，如。二網絡爬蟲技術基礎在本次課中，將使用技術手段進行項目的編寫。摘要：本文詳細講解了python網絡爬蟲，并介紹抓包分析等技術，實戰訓練三個網絡爬蟲案例，并簡單補充了常見的反爬策略與反爬攻克手段。通過本文的學習，可以快速掌握網絡爬蟲基礎，結合實戰練習，寫出一些簡單的...

W4n9Hu1 2019-07-30 16:09 評論0 收藏0