爬虫教程-抓取房产网站信息

WuRobb

已于 2023-09-22 14:21:46 修改

阅读量1.7k 爬虫教程实战文章标签：正则表达式 python 数据挖掘爬虫

于 2021-08-18 10:25:02 首次发布

本文链接：https://blog.csdn.net/wurobb/article/details/119774133

爬虫教程实战专栏收录该内容

8 篇文章 0 订阅

抓取房产网站信息

本次的教程爬取一下某绿色房产网站的房产信息，具体信息可以参照上篇爬虫教程，这次唯一的不同是我们需要获得更多的信息。

本次要获得详情页面的更为详细的信息，从目录点到详情页。

详情页里面红框里的内容就是我们要获取的。

从目录页按F12的html链接来看,详情页的链接写在’div’, class_ = 'list-item’里面。套个循环，获取一页中的所有详情页的链接，进到详情页，根据详情页的信息根据正则表达式获得即可。

完整代码。

import urllib
import re
from bs4 import BeautifulSoup
import pandas as pd

baseurl = 'https://sh.sydc.anjuke.com/xzl-zu/p'
findsuburl = re.compile(r'<a href="(.*?)"')
findinner = re.compile(r'<span class="value">(.*?)</span>')
index = 0
raw_data = pd.DataFrame(columns = ['日租','性质','月租', '面积', '付款',
                            '类型', '起租期', '楼层', '使用率','装修',
                           '工位数', '楼盘', '分割', '地址','相关费用'])


for page in range(1, 2):
    url = baseurl + str(page)
    head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'}
    request = urllib.request.Request(url, headers = head)
    response = urllib.request.urlopen(request)
    html = response.read().decode('utf-8')
    soup = BeautifulSoup(html,'html.parser')

    for each_item in soup.find_all('div', class_ = 'list-item'):
        each_item = str(each_item)
        suburl = str(re.findall(findsuburl,each_item)[0])
        sub_request = urllib.request.Request(suburl, headers = head)
        sub_response = urllib.request.urlopen(sub_request)
        sub_html = sub_response.read().decode('utf-8')
        sub_soup = BeautifulSoup(sub_html,'html.parser')
        if len(sub_soup.find_all('div', class_ = 'basic-info-wrapper'))!= 0:
            ineer_text = str(sub_soup.find_all('div', class_ = 'basic-info-wrapper')[0])
            seltext = re.findall(findinner,ineer_text)
            if len(seltext) == 16:
                del seltext[-5]
                raw_data.loc[index] = seltext
            index += 1