@Author：Runsen

文章目錄

• 前言
• 分析網(wǎng)頁(yè)
• 新建項(xiàng)目
• 加請(qǐng)求頭
• 搞定item
• 首頁(yè)調(diào)試
• 詳情頁(yè)調(diào)試
• 保存json

前言

在前幾天，接到一個(gè)大學(xué)生的作業(yè)的爬蟲(chóng)單子，要求采用scrapy爬取鏈家官方網(wǎng)站新房的數(shù)據(jù)（3-5頁(yè)即可，太多可能被封禁ip），網(wǎng)址：https://bj.fang.lianjia.com/loupan/，將樓盤(pán)名稱(chēng)、價(jià)格、平米數(shù)等（可以拓展）數(shù)據(jù)保存到一個(gè)json文件中。

為了50塊錢(qián)，廢話(huà)不說(shuō)就是開(kāi)干。雖說(shuō)我不是計(jì)算機(jī)的，還是一個(gè)屌絲大三化工學(xué)生。

分析網(wǎng)頁(yè)

那么今天教大家用Scarpy爬取鏈家網(wǎng)，爬取網(wǎng)頁(yè)如下：http://bj.fang.lianjia.com/loupan/。

點(diǎn)擊其中的一個(gè)來(lái)看看，https://bj.fang.lianjia.com/loupan/p_zjtfbkrhf/?fb_expo_id=303816048586158080

新建項(xiàng)目

新建項(xiàng)目和爬蟲(chóng)文件這些太簡(jiǎn)單，都是老套路， pass了。新建的項(xiàng)目如下。

加請(qǐng)求頭

第一步，傻逼都知道加請(qǐng)求頭。

在setting.py加MY_USER_AGENT

MY_USER_AGENT = ["Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)","Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)","Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)","Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)","Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6","Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0","Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5","Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20","Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5","Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre","Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36", ]

然后去Middleware.py去搞一個(gè)RandomUserAgentMiddleware，這代碼找之前的scrapy爬蟲(chóng)項(xiàng)目直接復(fù)制，簡(jiǎn)單。

import random class RandomUserAgentMiddleware(object):def __init__(self, user_agents):self.user_agents = user_agents@classmethoddef from_crawler(cls, crawler):# 從settings.py中導(dǎo)入MY_USER_AGENTs = cls(user_agents=crawler.settings.get('MY_USER_AGENT'))return sdef process_request(self, request, spider):agent = random.choice(self.user_agents)request.headers['User-Agent'] = agentreturn None

去setting.py開(kāi)啟上它。900記得， 老套路。

DOWNLOADER_MIDDLEWARES = {# 'lianjia.middlewares.LianjiaDownloaderMiddleware': 543,'lianjia.middlewares.RandomUserAgentMiddleware': 900, }

OK，請(qǐng)求頭headers搞定，代碼都是復(fù)制的，3分鐘OK。

搞定item

item就是把爬取的信息儲(chǔ)存起來(lái)，爬取樓盤(pán)名稱(chēng)、類(lèi)型，位置，價(jià)格、平米數(shù)，代碼編寫(xiě)需要兩分鐘。

import scrapy ''' 目標(biāo)：爬取鏈家官方網(wǎng)站新房的數(shù)據(jù)（3-5頁(yè)即可，太多可能被封禁ip） 網(wǎng)址：https://bj.fang.lianjia.com/loupan/ 要求：將樓盤(pán)名稱(chēng)、價(jià)格、平米數(shù)等（可以拓展）數(shù)據(jù)保存到一個(gè)json文件中。 交付：整個(gè)project的壓縮包 '''class LianjiaItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()"""樓盤(pán)名稱(chēng)、類(lèi)型，位置，價(jià)格、平米數(shù)"""name = scrapy.Field()type = scrapy.Field()location = scrapy.Field()price = scrapy.Field()number = scrapy.Field()

首頁(yè)調(diào)試

我們需要把詳情頁(yè)的url和建面面積匹配出來(lái)，scrapy shell https://bj.fang.lianjia.com/loupan進(jìn)入shell調(diào)試。

在url的a標(biāo)簽發(fā)現(xiàn)了class = “resblock-name”的div，下面就是小兒科的東西。

沒(méi)有域名，直接follow快捷方式完事，可以自動(dòng)拼接url。

建面面積一樣，輕松解決。

在span標(biāo)簽發(fā)現(xiàn)了class = “resblock-area”的div，重復(fù)下面的操作。

詳情頁(yè)調(diào)試

下面就是詳情頁(yè)了，scrapy shell https://bj.fang.lianjia.com/loupan/p_zjtfbkrhf/?fb_expo_id=303816048586158080

下面把樓盤(pán)名稱(chēng)搞出來(lái)，慢慢調(diào)試。

樓盤(pán)類(lèi)型，位置，價(jià)格這些，我不一一找了。就是耐心的通過(guò)scrapy shell 調(diào)試。這里花費(fèi)了有半個(gè)小時(shí)。

最后，自己看代碼。

import scrapy from ..items import LianjiaItemclass SpiderSpider(scrapy.Spider):name = 'spider'allowed_domains = ['bj.fang.lianjia.com']start_urls = ['http://bj.fang.lianjia.com/loupan/']def parse(self, response):for i in range(1,22):page_url = 'https://bj.fang.lianjia.com/loupan/pg{}'.format(i)yield response.follow(page_url,callback =self.parse_page)def parse_page(self,response):urls = response.xpath("//div[@class='resblock-name']/a/@href").extract()nums = response.xpath("//div[@class='resblock-area']/span/text()").extract()print(urls)print(nums)for num,url in zip(nums,urls):# 用的follow快捷方式，可以自動(dòng)拼接urlyield response.follow(url=url, meta={'num':num},callback=self.parse_detail)def parse_detail(self,response):item = LianjiaItem()item['name'] = response.xpath("//div[@class='title-wrap']//h2/text()").extract_first()self.logger.info('正在爬取{}……'.format(item['name']))item['type'] = response.xpath("//div[@class='tags-wrap']/span[@class='tag-item house-type-tag']/text()").extract_first()item['location'] = response.xpath("//ul[@class='info-list']//span[@class='content']/text()").extract_first()item['price'] = response.xpath("//div[@class='price']/span[@class='price-number']/text()").extract_first()item['number'] = response.meta['num']yield item

保存json

要求保存json，直接 -o 省事，連Pipeline都不用寫(xiě)。

在setting中開(kāi)啟Pipeline。

ITEM_PIPELINES = {'lianjia.pipelines.LianjiaPipeline': 300, }

運(yùn)行，開(kāi)一個(gè)main.py，scrapy crawl spider -o spider.json

''' @Author： Runsen @微信公眾號(hào)： 潤(rùn)森筆記 @博客： https://blog.csdn.net/weixin_44510615 @Date： 2020/4/13 '''import sys import os from scrapy.cmdline import execute sys.path.append(os.path.dirname(os.path.abspath(__file__))) execute(['scrapy','crawl','spider','-o spider.json'])

運(yùn)行時(shí)發(fā)現(xiàn)沒(méi)有中文，看了下我scrapy博客https://maoli.blog.csdn.net/article/details/89012106，加上setting配置FEED_EXPORT_ENCODING = 'utf-8'完成。

FEED_EXPORT_ENCODING = 'utf-8'

運(yùn)行，ok

一個(gè)小時(shí)多點(diǎn)，50塊到手。最后，我對(duì)不起顧客了，把代碼公開(kāi)了，給老師發(fā)現(xiàn)那慘了。

總結(jié)

以上是生活随笔為你收集整理的四十一、完成scrapy爬取官方网站新房的数据的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。