一、实战场景

Python 如何实现采集二手房列表信息并存储文件

二、知识点

python 基础语法

python 文件读写

BeautifulSoup 网页解析

requests 发送网络请求

tqdm 进度条

三、菜鸟实战

列表页数据采集

'''

Description: 代码供参考学习使用

'''

from __future__ import annotations

import os

import platform

import pandas as pd

from bs4 import BeautifulSoup

from tqdm import tqdm # 进度条库

from base_spider import BaseSpider

from base_url_item import UrlItem

class Tao365Spider(BaseSpider):

# 采集365淘房二手房信息

target_url = "http://nj.sell.house365.com/district/p1.html" # 采集目标链接

list_data_file = 'tao365_list.csv' # 采集数据保存的文件

url_items: list[UrlItem] = [] # 采集链接数组

PAGE_START = 1 # 采集开始页码

PAGE_STEP = 5 # 采集步长

def __init__(self):

# 初始化日志

self.init_log()

# 默认采集的上一页为第 1 页

start_page = self.PAGE_START

list_file_path = self.fileManger.get_data_file_path(self.list_data_file)

if os.path.isfile(list_file_path):

# 读取列表文件, 确定上一次采集的第几页, 以支持连续采集

self.logger.info("数据文件存在")

self.data_file_exist = True

# 计算从第几页开始采集

list_df = pd.read_csv(list_file_path, usecols=['第几页'], encoding=self.encoding)

max_page = pd.DataFrame(list_df[2:]).max()

start_page = int(max_page) + 1

print("采集页面范围: 第[%s]页至第[%s]页" % (start_page, start_page + self.PAGE_STEP - 1))

for page in range(start_page, start_page + self.PAGE_STEP):

# 初始化采集链接

url = self.target_url.replace("p1", "p" + str(page))

# 构造采集对象

url_item = UrlItem(url=url, page=page)

self.url_items.append(url_item)

def crawl_data(self):

for url_item in tqdm(self.url_items):

# 采集数据

url = url_item.url

self.logger.debug("当前采集页面信息: %s", url)

# 发送请求, 获取数据

page_content = self.get_content_from_url(url)

# 解析数据

page_data = self.parse_page(page_content, url_item)

self.logger.debug("采集数据量: %s", len(page_data))

# 保存数据到文件

cols = ['标题', '标题链接', '房源id', '图片', '第几页']

self.save_to_file(page_data, cols)

# 防止反爬， 随机休眠一段时间

self.sleep_random()

def parse_page(self, content, url_item: UrlItem):

# 利用BeautifulSoup标准库，解析页面信息

soup = BeautifulSoup(content, 'lxml')

# 初始化数组

datalist = []

for element in soup.find_all("div", attrs={'class': 'listItem'}):

# 解析单条信息

# 判断是否为有效数据

if element.img.has_attr("data-original"):

# 依次解析, 标题, 标题链接, 房源id, 图片

title = element.find("a", class_='listItem__title').text.strip()

title_link = element.find("a", class_='listItem__title')['href']

house_id = element.find("a", class_='listItem__title')['house-id']

image = element.img["data-original"]

datalist.append([title, title_link, house_id, image, url_item.page])

return datalist

def run(self):

self.logger.debug("采集开始")

self.crawl_data()

self.logger.debug("采集结束")

if __name__ == '__main__':

print("采集365淘房二手房信息")

spider = Tao365Spider()

spider.run()

print("python 版本", platform.python_version())

存储采集数据到文件

def save_to_file(self, data, cols):

# 保存到文件

file_path = self.fileManger.get_data_file_path(self.list_data_file)

# 初始化数据

frame = pd.DataFrame(data)

if not self.data_file_exist:

# 第一次写入带上列表头，原文件清空

frame.columns = cols

frame.to_csv(file_path, encoding=self.encoding, index=None)

self.data_file_exist = True # 写入后更新数据文件状态

else:

# 后续不写如列表头，追加写入

frame.to_csv(file_path, mode="a", encoding=self.encoding, index=None, header=0)

self.logger.debug("文件保存完成")

运行结果

运行截图

采集365淘房二手房信息
采集页面范围: 第[1]页至第[5]页
100%|██████████| 5/5 [00:10<00:00,  2.12s/it]
python 版本 3.9.10

进程已结束,退出代码0

结果文件

资源链接

download.csdn.net/download/qq…

菜鸟实战，持续学习！