Python scrapy爬取蘇州二手房交易數據
一、項目需求
使用Scrapy爬取鏈家網中蘇州市二手房交易數據并保存于CSV文件中
要求:
房屋面積、總價和單價只需要具體的數字,不需要單位名稱。
刪除字段不全的房屋數據,如有的房屋朝向會顯示“暫無數據”,應該剔除。
保存到CSV文件中的數據,字段要按照如下順序排列:房屋名稱,房屋戶型,建筑面積,房屋朝向,裝修情況,有無電梯,房屋總價,房屋單價,房屋產權。
二、項目分析
流程圖
通過控制臺發(fā)現所有房屋信息都在一個ul中其中每一個li里存儲一個房屋的信息。
找了到需要的字段,這里以房屋名稱為例,博主用linux截圖,沒法對圖片進行標注,這一段就是最中間的“景山玫瑰園” 。
其他字段類似不再一一列舉。
獲取了需要的數據后發(fā)現沒有電梯的配備情況,所以需要到詳細頁也就是點擊標題后進入的頁面,
點擊標題
可以看到里面有下需要的信息。
抓取詳細頁url
進行詳細頁數據分析
找到相應的位置,進行抓取數據。
三、編寫程序
創(chuàng)建項目,不說了。
1.編寫item(數據存儲)
import scrapy class LianjiaHomeItem(scrapy.Item): name = scrapy.Field() # 名稱 type = scrapy.Field() # 戶型 area = scrapy.Field() # 面積 direction = scrapy.Field() #朝向 fitment = scrapy.Field() # 裝修情況 elevator = scrapy.Field() # 有無電梯 total_price = scrapy.Field() # 總價 unit_price = scrapy.Field() # 單價
2.編寫spider(數據抓?。?/strong>
from scrapy import Request from scrapy.spiders import Spider from lianjia_home.items import LianjiaHomeItem class HomeSpider(Spider): name = "home" current_page=1 #起始頁 def start_requests(self): #初始請求 url="https://su.lianjia.com/ershoufang/" yield Request(url=url) def parse(self, response): #解析函數 list_selctor=response.xpath("http://li/div[@class='info clear']") for one_selector in list_selctor: try: #房屋名稱 name=one_selector.xpath("http://div[@class='flood']/div[@class='positionInfo']/a/text()").extract_first() #其他信息 other=one_selector.xpath("http://div[@class='address']/div[@class='houseInfo']/text()").extract_first() other_list=other.split("|") type=other_list[0].strip(" ")#戶型 area = other_list[1].strip(" ") #面積 direction=other_list[2].strip(" ") #朝向 fitment=other_list[3].strip(" ") #裝修 price_list=one_selector.xpath("div[@class='priceInfo']//span/text()") # 總價 total_price=price_list[0].extract() # 單價 unit_price=price_list[1].extract() item=LianjiaHomeItem() item["name"]=name.strip(" ") item["type"]=type item["area"] = area item["direction"] = direction item["fitment"] = fitment item["total_price"] = total_price item["unit_price"] = unit_price #生成詳細頁 url = one_selector.xpath("div[@class='title']/a/@href").extract_first() yield Request(url=url, meta={"item":item}, #把item作為數據v傳遞 callback=self.property_parse) #爬取詳細頁 except: print("error") #獲取下一頁 self.current_page+=1 if self.current_page<=100: next_url="https://su.lianjia.com/ershoufang/pg%d"%self.current_page yield Request(url=next_url) def property_parse(self,response):#詳細頁 #配備電梯 elevator=response.xpath("http://div[@class='base']/div[@class='content']/ul/li[last()]/text()").extract_first() item=response.meta["item"] item["elevator"]=elevator yield item
3.編寫pipelines(數據處理)
import re from scrapy.exceptions import DropItem class LianjiaHomePipeline:#數據的清洗 def process_item(self, item, spider): #面積 item["area"]=re.findall("\d+\.?\d*",item["area"])[0] #提取數字并存儲 #單價 item["unit_price"] = re.findall("\d+\.?\d*", item["unit_price"])[0] #提取數字并存儲 #如果有不完全的數據,則拋棄 if item["direction"] =="暫無數據": raise DropItem("無數據,拋棄:%s"%item) return item class CSVPipeline(object): file=None index=0 #csv文件行數判斷 def open_spider(self,spider): #爬蟲開始前,打開csv文件 self.file=open("home.csv","a",encoding="utf=8") def process_item(self, item, spider):#按要求存儲文件。 if self.index ==0: column_name="name,type,area,direction,fitment,elevator,total_price,unit_price\n" self.file.write(column_name)#插入第一行的索引信息 self.index=1 home_str=item["name"]+","+item["type"]+","+item["area"]+","+item["direction"]+","+item["fitment"]+","+item["elevator"]+","+item["total_price"]+","+item["unit_price"]+"\n" self.file.write(home_str) #插入獲取的信息 return item def close_soider(self,spider):#爬蟲結束后關閉csv self.file.close()
4.編寫settings(爬蟲設置)
這里只寫下需要修改的地方
USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.72 Safari/537.36' #為裝成瀏覽器 ROBOTSTXT_OBEY = False #不遵循robots協議 ITEM_PIPELINES = { 'lianjia_home.pipelines.LianjiaHomePipeline': 300, #先進行數字提取 'lianjia_home.pipelines.CSVPipeline': 400 #在進行數據的儲存 #執(zhí)行順序由后邊的數字決定 }
這些內容在settings有些是默認關閉的,把用來注釋的 # 去掉即可開啟。
5.編寫start(代替命令行)
from scrapy import cmdline cmdline.execute("scrapy crawl home" .split())
附上兩張結果圖。
總結
此次項目新增了簡單的數據清洗,在整體的數據抓取上沒有增加新的難度。
到此這篇關于Python scrapy爬取蘇州二手房交易數據的文章就介紹到這了,更多相關scrapy爬取二手房交易數據內容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持本站!
版權聲明:本站文章來源標注為YINGSOO的內容版權均為本站所有,歡迎引用、轉載,請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站,禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像,否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來,僅供學習參考,不代表本站立場,如有內容涉嫌侵權,請聯系alex-e#qq.com處理。