Python手拉手教你爬取贝壳房源数据的实战教程
一、爬虫是什么?
在进行大数据分析或者进行数据挖掘的时候,数据源可以从某些提供数据统计的网站获得,也可以从某些文献或内部资料中获得,但是这些获得数据的方式,有时很难满足我们对数据的需求,而手动从互联网中去寻找这些数据,则耗费的精力过大。此时就可以利用爬虫技术,自动地从互联网中获取我们感兴趣的数据内容,并将这些数据内容爬取回来,作为我们的数据源,从而进行更深层次的数据分析,并获得更多有价值的信息。 在使用爬虫前首先要了解爬虫所需的库(requests)或者( urllib.request ),该库是为了爬取数据任务而创建的。
二、使用步骤
1.引入库
代码如下(示例):
import os import urllib.request import random import time class BeikeSpider: def __init__(self, save_path="./beike"): """ 贝壳爬虫构造函数 :param save_path: 网页保存目录 """
2.读入数据
代码如下 :
# 网址模式 self.url_mode = "http://{}.fang.ke.com/loupan/pg{}/" # 需爬取的城市 self.cities = ["cd", "sh", "bj"] # 每个城市爬取的页数 self.total_pages = 20 # 让爬虫程序随机休眠5-10秒 self.sleep = (5, 10) # 网页下载保存根目录 self.save_path = save_path # 设置用户代理,是爬虫程序伪装成浏览器 self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"} # 代理IP的信息 self.proxies = [ {"https": "123.163.67.50:8118"}, {"https": "58.56.149.198:53281"}, {"https": "14.115.186.161:8118"} ] # 创建保存目录 if not os.path.exists(self.save_path): os.makedirs(self.save_path) def crawl(self): """ 执行爬取任务 :return: None """
该处使用的url网络请求的数据。
3.随机选择一个ip地址构建代理服务器
for city in self.cities: print("正在爬取的城市:", city) # 每个城市的网页用单独的目录存放 path = os.path.join(self.save_path, city) if not os.path.exists(path): os.makedirs(path) for page in range(1, self.total_pages+1): # 构建完整的url url = self.url_mode.format(city, page) # 构建Request对象, 将url和请求头放入对象中 request = urllib.request.Request(url, headers=self.headers) # 随机选择一个代理IP proxy = random.choice(self.proxies) # 构建代理服务器处理器 proxy_handler = urllib.request.ProxyHandler(proxy) # 构建opener opener = urllib.request.build_opener(proxy_handler) # 使用构建的opener打开网页 response = opener.open(request) html = response.read().decode("utf-8") # 网页保存文件名(包含路径) filename = os.path.join(path, str(page)+".html") # 保存网页 self.save(html, filename) print("第%d页保存成功!" % page) # 随机休眠 sleep_time = random.randint(self.sleep[0], self.sleep[1]) time.sleep(sleep_time)
该处除随机选择ip地址以外还会限制爬取数据的速度,避免暴力爬取。
4.运行代码
def save(self, html, filename): """ 保存下载的网页 :param html: 网页内容 :param filename: 保存的文件名 :return: """ f = open(filename, 'w', encoding="utf-8") f.write(html) f.close() def parse(self): """ 解析网页数据 :return: """ pass if __name__ == "__main__": spider = BeikeSpider() spider.crawl()
运行结果就会这样,会保存在你的文件夹中。
总结
这里对文章进行总结:今天分析这波代码目的是为了让大家清晰明亮的了解python爬虫的运作,和大家一起学习
以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而urllib.request提供了大量能使我们快速便捷地爬取数据。
最新评论