爬虫实战——58同城租房数据爬取

背景

自己本人在暑期时自学了python，还在中国大学mooc上学习了一些爬虫相关的知识，对requests库、re库以及BeautifulSoup库有了一定的了解，但是没有过爬虫方面的实战，刚好家人有这方面需求，就对58同城上的租房数据进行了爬取，算是当作自己的第一次爬虫实战。不过自己的水平实在不行，搞了两天，参考了很多人的代码，也查了很多文件。好，话不多说，直接上代码。

代码及结果

from bs4 import BeautifulSoup
from fontTools.ttLib import TTFont
import requests
import json
import time
import re
import base64
import openpyxl

User_Agent = 'Mozilla/5.0(Macintosh;IntelMacOSX10_7_0)AppleWebKit/535.11(KHTML,likeGecko)Chrome/17.0.963.56Safari/535.11'
headers = {
    'User-Agent': User_Agent,
}


def convertNumber(html_page):

    base_fonts = ['uni9FA4', 'uni9F92', 'uni9A4B', 'uni9EA3', 'uni993C', 'uni958F', 'uni9FA5', 'uni9476', 'uni9F64',
                  'uni9E3A']
    base_fonts2 = ['&#x' + x[3:].lower() + ';' for x in base_fonts]  # 构造成 鸺 的形式
    pattern = '(' + '|'.join(base_fonts2) + ')'

    font_base64 = re.findall("base64,(AA.*AAAA)", html_page)[0]  # 找到base64编码的字体格式文件
    font = base64.b64decode(font_base64)
    with open('58font2.ttf', 'wb') as tf:
        tf.write(font)
    onlinefont = TTFont('58font2.ttf')
    convert_dict = onlinefont['cmap'].tables[0].ttFont.tables['cmap'].tables[0].cmap  # convert_dict数据如下：{40611: 'glyph00004', 40804: 'glyph00009', 40869: 'glyph00010', 39499: 'glyph00003'
    new_page = re.sub(pattern, lambda x: getNumber(x.group(),convert_dict), html_page)
    return new_page


def getNumber(g,convert_dict):
    key = int(g[3:7], 16)  # '麣',截取后四位十六进制数字，转换为十进制数，即为上面字典convert_dict中的键
    number = int(convert_dict[key][-2:]) - 1  # glyph00009代表数字8， glyph00008代表数字7，依次类推
    return str(number)
               

def request_details(url):
   f = requests.get(url, headers=headers)
   f=convertNumber(f.text)
   soup = BeautifulSoup(f, 'lxml')
   name = soup.select('h1[class="c_333 f20 strongbox"]')
   price = soup.select('b[class="f36 strongbox"]')
   try:
       lease=soup.find(text='租赁方式：').findNext('span').contents[0]
   except:
       lease=""
   try:
       housing_type=soup.find(text='房屋类型：').findNext('span').contents[0]
       housing_type="".join(housing_type.split())
   except:
       housing_type=""
   try:
       oritation=soup.find(text='朝向楼层：').findNext('span').contents[0]
       oritation="".join(oritation.split())
   except:
       oritation=""
   try:
       community=soup.find(text='所在小区：').findNext('span').contents[0].contents[0]
   except:
       community=""
   try:
       building_type=soup.find(text='建筑类型：').findNext('span').contents[0]
   except:
       building_type=""
   try:
       address=soup.find(text='详细地址：').findNext('span').contents[0]
       address="".join(address.split())
   except:
       address=""
   data = {
    '名称':name[0].text,
    '价格':price[0].text.strip()+"元",
    '租赁方式':lease,
    '房屋类型':housing_type,
    '朝向楼层':oritation,
    '所在小区':community,
    '建筑类型':building_type,
    '详细地址':address,
    '网址':url
   }
   return data
  

def get_link(url):
    f = requests.get(url)
    soup = BeautifulSoup(f.text, 'lxml')
    links = soup.select('div[class="des"]>h2>a')
    link_list = []
    for link in links:
        link_content = link.get('href')
        link_list.append(link_content)
    return link_list


def save_to_text(content,i):
    mywb=openpyxl.load_workbook('SHEET2.xlsx')
    sheet=mywb.active;
    sheet[chr(65)+str(i)].value=content['名称']
    sheet[chr(66)+str(i)].value=content['价格']
    sheet[chr(67)+str(i)].value=content['租赁方式'].encode('utf-8')
    sheet[chr(68)+str(i)].value=content['房屋类型'].encode('utf-8')
    sheet[chr(69)+str(i)].value=content['朝向楼层'].encode('utf-8')
    sheet[chr(70)+str(i)].value=content['所在小区'].encode('utf-8')
    sheet[chr(71)+str(i)].value=content['建筑类型'].encode('utf-8')
    sheet[chr(72)+str(i)].value=content['详细地址'].encode('utf-8')
    sheet[chr(73)+str(i)].value=content['网址']
    mywb.save('SHEET2.xlsx')
    content = json.dumps(content, ensure_ascii=False)
    with open('58', 'a', encoding='utf-8') as f:
        f.write(content)
        f.write('\r\n')


def main():
    mywb=openpyxl.Workbook()
    sheet=mywb.active;
    sheet[chr(65)+str(1)].value="名称"
    sheet[chr(66)+str(1)].value="价格"
    sheet[chr(67)+str(1)].value="租赁方式"
    sheet[chr(68)+str(1)].value="房屋类型"
    sheet[chr(69)+str(1)].value="朝向楼层"
    sheet[chr(70)+str(1)].value="所在小区"
    sheet[chr(71)+str(1)].value="建筑类型"
    sheet[chr(72)+str(1)].value="详细地址"
    sheet[chr(73)+str(1)].value="网址"
    mywb.save('SHEET2.xlsx')
    num = 1
    link = 'https://fy.58.com/qhdlfyzq/chuzu/pn{}'
    start = 1
    end = 11
    urls = [link.format(i) for i in range(start, end)]
    for url in urls:
        link_list = get_link(url)
        print(link_list)
        time.sleep(5)
        for link in link_list:
            if link != "https://e.58.com/all/zhiding.html":
                try:
                    content = request_details(link)
                    num = num + 1
                    print(content)
                    save_to_text(content, num)
                except:
                    print("error")
                time.sleep(5)


if __name__ == '__main__':
    main()

总结

难点

• 对于页码的变换，参考了一些人的代码，为网址后面加上/pn{}(page number)
• 为了防止输入验证码，每两次访问之间都需要间隔至少5s，由于58同城是识别ip地址，一旦被锁定，需要手动打开网页，完成验证
• 58同城在网页源代码中，对数字进行了加密，许多数字都是以乱码显示，我参考了58同城南京数据爬取，借鉴了一些他的代码，解决了这个问题
• 对于BeautifulSoup库的运用，包括find(),next_sibling,contents等等，都提高了查到有用信息的效率

自己需要提升的方面

• 对于我这种python新手来说，最应该提升的部分就是字符的编码了，整个调试过程中，遇到很多次编码上的错误，最后虽然调试通了，但是部分代码比较冗余
• 代码中最后用到了openpyxl模块，感觉还需要继续熟练
• 异常处理十分重要，但是自己掌握的还不是很好
• 代码的整齐美观还需要很大的提升

代码提升潜力

• 代码的简洁和美化
• 异常处理感觉可以进行修改
• 在主函数中，可以直接一次性提取出所有的网址，防止重复