Python實現并行抓取整站40萬條房價數據（可更換抓取城市）
更新時間：2016年12月14日 09:59:27 作者：Data&Truth
本文主要是以房價網房價信息爬蟲為例，對Python實現整站40萬條房價數據并行抓?。筛鼡Q抓取城市）的方法進行分析介紹。需要的朋友一起來看下吧
寫在前面
這次的爬蟲是關于房價信息的抓取，目的在于練習10萬以上的數據處理及整站式抓取。
數據量的提升最直觀的感覺便是對函數邏輯要求的提高，針對Python的特性，謹慎的選擇數據結構。以往小數據量的抓取，即使函數邏輯部分重復，I/O請求頻率密集，循環(huán)套嵌過深，也不過是1~2s的差別，而隨著數據規(guī)模的提高，這1~2s的差別就有可能擴展成為1~2h。
因此對于要抓取數據量較多的網站，可以從兩方面著手降低抓取信息的時間成本。
1）優(yōu)化函數邏輯，選擇適當的數據結構，符合Pythonic的編程習慣。例如，字符串的合并，使用join（）要比“+”節(jié)省內存空間。
2）依據I/O密集與CPU密集，選擇多線程、多進程并行的執(zhí)行方式，提高執(zhí)行效率。
一、獲取索引
包裝請求request，設置超時timeout
# 獲取列表頁面
def get_page(url):
headers = {
'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Referer': r'http://bj.fangjia.com/ershoufang/',
'Host': r'bj.fangjia.com',
'Connection': 'keep-alive'
}
timeout = 60
socket.setdefaulttimeout(timeout) # 設置超時
req = request.Request(url, headers=headers)
response = request.urlopen(req).read()
page = response.decode('utf-8')
return page
一級位置：區(qū)域信息
二級位置：板塊信息（根據區(qū)域位置得到板塊信息，以key_value對的形式存儲在dict中）
以dict方式存儲，可以快速的查詢到所要查找的目標。-> {'朝陽'：{'工體'，'安貞'，'健翔橋'......}}
三級位置：地鐵信息（搜索地鐵周邊房源信息）
將所屬位置地鐵信息，添加至dict中。 -> {'朝陽'：{'工體'：{'5號線'，'10號線' , '13號線'}，'安貞'，'健翔橋'......}}
解碼后的url：http://bj.fangjia.com/ershoufang/--r-朝陽|w-5號線|b-惠新西街
根據url的參數模式，可以有兩種方式獲取目的url：
1）根據索引路徑獲得目的url
# 獲取房源信息列表(嵌套字典遍歷) def get_info_list(search_dict, layer, tmp_list, search_list): layer += 1 # 設置字典層級 for i in range(len(search_dict)): tmp_key = list(search_dict.keys())[i] # 提取當前字典層級key tmp_list.append(tmp_key) # 將當前key值作為索引添加至tmp_list tmp_value = search_dict[tmp_key] if isinstance(tmp_value, str): # 當鍵值為url時 tmp_list.append(tmp_value) # 將url添加至tmp_list search_list.append(copy.deepcopy(tmp_list)) # 將tmp_list索引url添加至search_list tmp_list = tmp_list[:layer] # 根據層級保留索引 elif tmp_value == '': # 鍵值為空時跳過 layer -= 2 # 跳出鍵值層級 tmp_list = tmp_list[:layer] # 根據層級保留索引 else: get_info_list(tmp_value, layer, tmp_list, search_list) # 當鍵值為列表時，迭代遍歷 tmp_list = tmp_list[:layer] return search_list
2）根據dict信息包裝url
{'朝陽'：{'工體'：{'5號線'}}}
參數：
—— r-朝陽
—— b-工體
—— w-5號線
組裝參數：http://bj.fangjia.com/ershoufang/--r-朝陽|w-5號線|b-工體
1 # 根據參數創(chuàng)建組合url 2 def get_compose_url(compose_tmp_url, tag_args, key_args): 3 compose_tmp_url_list = [compose_tmp_url, '|' if tag_args != 'r-' else '', tag_args, parse.quote(key_args), ] 4 compose_url = ''.join(compose_tmp_url_list) 5 return compose_url
二、獲取索引頁最大頁數
# 獲取當前索引頁面頁數的url列表
def get_info_pn_list(search_list):
fin_search_list = []
for i in range(len(search_list)):
print('>>>正在抓取%s' % search_list[i][:3])
search_url = search_list[i][3]
try:
page = get_page(search_url)
except:
print('獲取頁面超時')
continue
soup = BS(page, 'lxml')
# 獲取最大頁數
pn_num = soup.select('span[class="mr5"]')[0].get_text()
rule = re.compile(r'\d+')
max_pn = int(rule.findall(pn_num)[1])
# 組裝url
for pn in range(1, max_pn+1):
print('************************正在抓取%s頁************************' % pn)
pn_rule = re.compile('[|]')
fin_url = pn_rule.sub(r'|e-%s|' % pn, search_url, 1)
tmp_url_list = copy.deepcopy(search_list[i][:3])
tmp_url_list.append(fin_url)
fin_search_list.append(tmp_url_list)
return fin_search_list
三、抓取房源信息Tag
這是我們要抓取的Tag：
['區(qū)域', '板塊', '地鐵', '標題', '位置', '平米', '戶型', '樓層', '總價', '單位平米價格']
# 獲取tag信息
def get_info(fin_search_list, process_i):
print('進程%s開始' % process_i)
fin_info_list = []
for i in range(len(fin_search_list)):
url = fin_search_list[i][3]
try:
page = get_page(url)
except:
print('獲取tag超時')
continue
soup = BS(page, 'lxml')
title_list = soup.select('a[class="h_name"]')
address_list = soup.select('span[class="address]')
attr_list = soup.select('span[class="attribute"]')
price_list = soup.find_all(attrs={"class": "xq_aprice xq_esf_width"}) # select對于某些屬性值（屬性值中間包含空格）無法識別，可以用find_all(attrs={})代替
for num in range(20):
tag_tmp_list = []
try:
title = title_list[num].attrs["title"]
print(r'************************正在獲取%s************************' % title)
address = re.sub('\n', '', address_list[num].get_text())
area = re.search('\d+[\u4E00-\u9FA5]{2}', attr_list[num].get_text()).group(0)
layout = re.search('\d[^0-9]\d.', attr_list[num].get_text()).group(0)
floor = re.search('\d/\d', attr_list[num].get_text()).group(0)
price = re.search('\d+[\u4E00-\u9FA5]', price_list[num].get_text()).group(0)
unit_price = re.search('\d+[\u4E00-\u9FA5]/.', price_list[num].get_text()).group(0)
tag_tmp_list = copy.deepcopy(fin_search_list[i][:3])
for tag in [title, address, area, layout, floor, price, unit_price]:
tag_tmp_list.append(tag)
fin_info_list.append(tag_tmp_list)
except:
print('【抓取失敗】')
continue
print('進程%s結束' % process_i)
return fin_info_list
四、分配任務，并行抓取
對任務列表進行分片，設置進程池，并行抓取。
# 分配任務 def assignment_search_list(fin_search_list, project_num): # project_num每個進程包含的任務數，數值越小，進程數越多 assignment_list = [] fin_search_list_len = len(fin_search_list) for i in range(0, fin_search_list_len, project_num): start = i end = i+project_num assignment_list.append(fin_search_list[start: end]) # 獲取列表碎片 return assignment_list
p = Pool(4) # 設置進程池 assignment_list = assignment_search_list(fin_info_pn_list, 3) # 分配任務，用于多進程 result = [] # 多進程結果列表 for i in range(len(assignment_list)): result.append(p.apply_async(get_info, args=(assignment_list[i], i))) p.close() p.join() for result_i in range(len(result)): fin_info_result_list = result[result_i].get() fin_save_list.extend(fin_info_result_list) # 將各個進程獲得的列表合并
通過設置進程池并行抓取，時間縮短為單進程抓取時間的3/1，總計時間3h。
電腦為4核，經過測試，任務數為3時，在當前電腦運行效率最高。
五、將抓取結果存儲到excel中，等待可視化數據化處理
# 存儲抓取結果 def save_excel(fin_info_list, file_name): tag_name = ['區(qū)域', '板塊', '地鐵', '標題', '位置', '平米', '戶型', '樓層', '總價', '單位平米價格'] book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認存儲在桌面上 tmp = book.add_worksheet() row_num = len(fin_info_list) for i in range(1, row_num): if i == 1: tag_pos = 'A%s' % i tmp.write_row(tag_pos, tag_name) else: con_pos = 'A%s' % i content = fin_info_list[i-1] # -1是因為被表格的表頭所占 tmp.write_row(con_pos, content) book.close()
附上源碼
#! -*-coding:utf-8-*-
# Function: 房價調查
# Author：蘭茲
from urllib import parse, request
from bs4 import BeautifulSoup as BS
from multiprocessing import Pool
import re
import lxml
import datetime
import cProfile
import socket
import copy
import xlsxwriter
starttime = datetime.datetime.now()
base_url = r'http://bj.fangjia.com/ershoufang/'
test_search_dict = {'昌平': {'霍營': {'13號線': 'http://bj.fangjia.com/ershoufang/--r-%E6%98%8C%E5%B9%B3|w-13%E5%8F%B7%E7%BA%BF|b-%E9%9C%8D%E8%90%A5'}}}
search_list = [] # 房源信息url列表
tmp_list = [] # 房源信息url緩存列表
layer = -1
# 獲取列表頁面
def get_page(url):
headers = {
'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Referer': r'http://bj.fangjia.com/ershoufang/',
'Host': r'bj.fangjia.com',
'Connection': 'keep-alive'
}
timeout = 60
socket.setdefaulttimeout(timeout) # 設置超時
req = request.Request(url, headers=headers)
response = request.urlopen(req).read()
page = response.decode('utf-8')
return page
# 獲取查詢關鍵詞dict
def get_search(page, key):
soup = BS(page, 'lxml')
search_list = soup.find_all(href=re.compile(key), target='')
search_dict = {}
for i in range(len(search_list)):
soup = BS(str(search_list[i]), 'lxml')
key = soup.select('a')[0].get_text()
value = soup.a.attrs['href']
search_dict[key] = value
return search_dict
# 獲取房源信息列表(嵌套字典遍歷)
def get_info_list(search_dict, layer, tmp_list, search_list):
layer += 1 # 設置字典層級
for i in range(len(search_dict)):
tmp_key = list(search_dict.keys())[i] # 提取當前字典層級key
tmp_list.append(tmp_key) # 將當前key值作為索引添加至tmp_list
tmp_value = search_dict[tmp_key]
if isinstance(tmp_value, str): # 當鍵值為url時
tmp_list.append(tmp_value) # 將url添加至tmp_list
search_list.append(copy.deepcopy(tmp_list)) # 將tmp_list索引url添加至search_list
tmp_list = tmp_list[:layer] # 根據層級保留索引
elif tmp_value == '': # 鍵值為空時跳過
layer -= 2 # 跳出鍵值層級
tmp_list = tmp_list[:layer] # 根據層級保留索引
else:
get_info_list(tmp_value, layer, tmp_list, search_list) # 當鍵值為列表時，迭代遍歷
tmp_list = tmp_list[:layer]
return search_list
# 獲取房源信息詳情
def get_info_pn_list(search_list):
fin_search_list = []
for i in range(len(search_list)):
print('>>>正在抓取%s' % search_list[i][:3])
search_url = search_list[i][3]
try:
page = get_page(search_url)
except:
print('獲取頁面超時')
continue
soup = BS(page, 'lxml')
# 獲取最大頁數
pn_num = soup.select('span[class="mr5"]')[0].get_text()
rule = re.compile(r'\d+')
max_pn = int(rule.findall(pn_num)[1])
# 組裝url
for pn in range(1, max_pn+1):
print('************************正在抓取%s頁************************' % pn)
pn_rule = re.compile('[|]')
fin_url = pn_rule.sub(r'|e-%s|' % pn, search_url, 1)
tmp_url_list = copy.deepcopy(search_list[i][:3])
tmp_url_list.append(fin_url)
fin_search_list.append(tmp_url_list)
return fin_search_list
# 獲取tag信息
def get_info(fin_search_list, process_i):
print('進程%s開始' % process_i)
fin_info_list = []
for i in range(len(fin_search_list)):
url = fin_search_list[i][3]
try:
page = get_page(url)
except:
print('獲取tag超時')
continue
soup = BS(page, 'lxml')
title_list = soup.select('a[class="h_name"]')
address_list = soup.select('span[class="address]')
attr_list = soup.select('span[class="attribute"]')
price_list = soup.find_all(attrs={"class": "xq_aprice xq_esf_width"}) # select對于某些屬性值（屬性值中間包含空格）無法識別，可以用find_all(attrs={})代替
for num in range(20):
tag_tmp_list = []
try:
title = title_list[num].attrs["title"]
print(r'************************正在獲取%s************************' % title)
address = re.sub('\n', '', address_list[num].get_text())
area = re.search('\d+[\u4E00-\u9FA5]{2}', attr_list[num].get_text()).group(0)
layout = re.search('\d[^0-9]\d.', attr_list[num].get_text()).group(0)
floor = re.search('\d/\d', attr_list[num].get_text()).group(0)
price = re.search('\d+[\u4E00-\u9FA5]', price_list[num].get_text()).group(0)
unit_price = re.search('\d+[\u4E00-\u9FA5]/.', price_list[num].get_text()).group(0)
tag_tmp_list = copy.deepcopy(fin_search_list[i][:3])
for tag in [title, address, area, layout, floor, price, unit_price]:
tag_tmp_list.append(tag)
fin_info_list.append(tag_tmp_list)
except:
print('【抓取失敗】')
continue
print('進程%s結束' % process_i)
return fin_info_list
# 分配任務
def assignment_search_list(fin_search_list, project_num): # project_num每個進程包含的任務數，數值越小，進程數越多
assignment_list = []
fin_search_list_len = len(fin_search_list)
for i in range(0, fin_search_list_len, project_num):
start = i
end = i+project_num
assignment_list.append(fin_search_list[start: end]) # 獲取列表碎片
return assignment_list
# 存儲抓取結果
def save_excel(fin_info_list, file_name):
tag_name = ['區(qū)域', '板塊', '地鐵', '標題', '位置', '平米', '戶型', '樓層', '總價', '單位平米價格']
book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默認存儲在桌面上
tmp = book.add_worksheet()
row_num = len(fin_info_list)
for i in range(1, row_num):
if i == 1:
tag_pos = 'A%s' % i
tmp.write_row(tag_pos, tag_name)
else:
con_pos = 'A%s' % i
content = fin_info_list[i-1] # -1是因為被表格的表頭所占
tmp.write_row(con_pos, content)
book.close()
if __name__ == '__main__':
file_name = input(r'抓取完成，輸入文件名保存：')
fin_save_list = [] # 抓取信息存儲列表
# 一級篩選
page = get_page(base_url)
search_dict = get_search(page, 'r-')
# 二級篩選
for k in search_dict:
print(r'************************一級抓?。赫谧ト ?s】************************' % k)
url = search_dict[k]
second_page = get_page(url)
second_search_dict = get_search(second_page, 'b-')
search_dict[k] = second_search_dict
# 三級篩選
for k in search_dict:
second_dict = search_dict[k]
for s_k in second_dict:
print(r'************************二級抓取：正在抓取【%s】************************' % s_k)
url = second_dict[s_k]
third_page = get_page(url)
third_search_dict = get_search(third_page, 'w-')
print('%s>%s' % (k, s_k))
second_dict[s_k] = third_search_dict
fin_info_list = get_info_list(search_dict, layer, tmp_list, search_list)
fin_info_pn_list = get_info_pn_list(fin_info_list)
p = Pool(4) # 設置進程池
assignment_list = assignment_search_list(fin_info_pn_list, 2) # 分配任務，用于多進程
result = [] # 多進程結果列表
for i in range(len(assignment_list)):
result.append(p.apply_async(get_info, args=(assignment_list[i], i)))
p.close()
p.join()
for result_i in range(len(result)):
fin_info_result_list = result[result_i].get()
fin_save_list.extend(fin_info_result_list) # 將各個進程獲得的列表合并
save_excel(fin_save_list, file_name)
endtime = datetime.datetime.now()
time = (endtime - starttime).seconds
print('總共用時：%s s' % time)
總結：
當抓取數據規(guī)模越大，對程序邏輯要求就愈嚴謹，對python語法要求就越熟練。如何寫出更加pythonic的語法，也需要不斷學習掌握的。
以上就是本文的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，同時也希望多多支持腳本之家！
相關文章
這篇文章主要介紹了Python中的Null模式與橋接模式編程,Null模式與橋接模式都屬于Python的設計模式編程,需要的朋友可以參考下2016-02-02
文本過濾和清理所涵蓋的范圍非常廣泛，涉及文本解析和數據處理方面的問題。這篇文章主要介紹了解決python 文本過濾和清理問題,需要的朋友可以參考下2019-08-08
本篇文章主要介紹了Python日期的加減等操作的示例，小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-08-08
今天小編就為大家分享一篇用Python解決x的n次方問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-02-02
這篇文章主要介紹了Python操作串口的方法,以一個簡單實例分析了Python操作串口echo輸出的方法,需要的朋友可以參考下2015-06-06
這篇文章主要介紹了Python-VTK隱式函數屬性選擇和剪切數據，VTK，是一個開放資源的免費軟件系統，主要用于三維計算機圖形學、圖像處理和可視化，下面文章主題相關詳細內容需要的小伙伴可以參考一下2022-04-04
這篇文章主要介紹了利用python數據分析進行炒股實戰(zhàn)行情，本文主要介紹三部分：數據采集，數據預處理，利用SVM算法進行建模，本文僅供參考借鑒2021-08-08
這篇文章主要介紹了Jupyter Notebook 基本操作快捷鍵方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
本文給大家分享的小技巧是如何利用Python腳本獲取Windows和Linux的系統版本信息，非常的簡單實用，有需要的小伙伴可以查看下2016-12-12
下面小編就為大家?guī)硪黄猵ython筆記:mysql、redis操作方法。小編覺得挺不錯的，現在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-06-06