快捷導(dǎo)航

Python scrapy爬取蘇州二手房交易數(shù)據(jù)

更新時(shí)間：2021年06月16日 09:19:52 作者：超哥--

scrapy的第二個(gè)實(shí)例對(duì)比上一個(gè),在數(shù)據(jù)處理上增加了新的需求,運(yùn)用了管道文件pipelines.py,文中有非常詳細(xì)的介紹及代碼示例,需要的朋友可以參考下

一、項(xiàng)目需求

使用Scrapy爬取鏈家網(wǎng)中蘇州市二手房交易數(shù)據(jù)并保存于CSV文件中
要求：
房屋面積、總價(jià)和單價(jià)只需要具體的數(shù)字，不需要單位名稱。
刪除字段不全的房屋數(shù)據(jù)，如有的房屋朝向會(huì)顯示“暫無數(shù)據(jù)”，應(yīng)該剔除。
保存到CSV文件中的數(shù)據(jù)，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(jià)，房屋單價(jià)，房屋產(chǎn)權(quán)。

二、項(xiàng)目分析

流程圖

在這里插入圖片描述

通過控制臺(tái)發(fā)現(xiàn)所有房屋信息都在一個(gè)ul中其中每一個(gè)li里存儲(chǔ)一個(gè)房屋的信息。

在這里插入圖片描述

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(duì)圖片進(jìn)行標(biāo)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(shù)據(jù)后發(fā)現(xiàn)沒有電梯的配備情況，所以需要到詳細(xì)頁也就是點(diǎn)擊標(biāo)題后進(jìn)入的頁面，
點(diǎn)擊標(biāo)題

在這里插入圖片描述

可以看到里面有下需要的信息。

在這里插入圖片描述

抓取詳細(xì)頁url

在這里插入圖片描述

進(jìn)行詳細(xì)頁數(shù)據(jù)分析

在這里插入圖片描述

找到相應(yīng)的位置，進(jìn)行抓取數(shù)據(jù)。

三、編寫程序

創(chuàng)建項(xiàng)目，不說了。

1.編寫item（數(shù)據(jù)存儲(chǔ)）

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(jià)
     unit_price = scrapy.Field()  # 單價(jià)

2.編寫spider（數(shù)據(jù)抓取）

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(qǐng)求
        url="https://su.lianjia.com/ershoufang/"
        yield Request(url=url)

    def parse(self, response): #解析函數(shù)
        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(jià)
                total_price=price_list[0].extract()
                # 單價(jià)
                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(xì)頁
                url = one_selector.xpath("div[@class='title']/a/@href").extract_first()
                yield Request(url=url,
                              meta={"item":item}, #把item作為數(shù)據(jù)v傳遞
                              callback=self.property_parse) #爬取詳細(xì)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(xì)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(shù)據(jù)處理）

import re
from scrapy.exceptions import DropItem
class LianjiaHomePipeline:#數(shù)據(jù)的清洗
    def process_item(self, item, spider):
        #面積
        item["area"]=re.findall("\d+\.?\d*",item["area"])[0] #提取數(shù)字并存儲(chǔ)
        #單價(jià)
        item["unit_price"] = re.findall("\d+\.?\d*", item["unit_price"])[0] #提取數(shù)字并存儲(chǔ)

        #如果有不完全的數(shù)據(jù)，則拋棄
        if item["direction"] =="暫無數(shù)據(jù)":
            raise DropItem("無數(shù)據(jù)，拋棄：%s"%item)

        return item

class CSVPipeline(object):
    file=None
    index=0 #csv文件行數(shù)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(chǔ)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(jié)束后關(guān)閉csv
        self.file.close()

4.編寫settings（爬蟲設(shè)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(xié)議
ITEM_PIPELINES = {
    'lianjia_home.pipelines.LianjiaHomePipeline': 300,
    #先進(jìn)行數(shù)字提取
    'lianjia_home.pipelines.CSVPipeline': 400
    #在進(jìn)行數(shù)據(jù)的儲(chǔ)存
    #執(zhí)行順序由后邊的數(shù)字決定
}

這些內(nèi)容在settings有些是默認(rèn)關(guān)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(jié)果圖。

在這里插入圖片描述

總結(jié)

此次項(xiàng)目新增了簡(jiǎn)單的數(shù)據(jù)清洗，在整體的數(shù)據(jù)抓取上沒有增加新的難度。

到此這篇關(guān)于Python scrapy爬取蘇州二手房交易數(shù)據(jù)的文章就介紹到這了,更多相關(guān)scrapy爬取二手房交易數(shù)據(jù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: