Python爬虫实战（3）：安居客房产经纪人信息采集

1， 引言

Python开源网络爬虫项目启动之初，我们就把网络爬虫分成两类：即时爬虫和收割式网络爬虫。为了使用各种应用场景，该项目的整个网络爬虫产品线包含了四类产品，如下图所示：

本实战是上图中的“独立python爬虫”的一个实例，以采集安居客房产经纪人(http://shenzhen.anjuke.com/tycoon/nanshan/p1/ )信息为例，记录整个采集流程，包括python和依赖库的安装，即便是python初学者，也可以跟着文章内容成功地完成运行。

2，Python和相关依赖库的安装

• 运行环境：Windows10

2.1，安装Python3.5.2

• 官网下载链接: https://www.python.org/ftp/python/3.5.2/python-3.5.2.exe
• 下载完成后，双击安装。
• 这个版本会自动安装pip和setuptools，方便安装其它的库

2.2，Lxml 3.6.0

• Lxml官网地址: http://lxml.de/
• Windows版安装包下载: http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
• 对应windows下python3.5的安装文件为 lxml-3.6.0-cp35-cp35m-win32.whl
• 下载完成后，在windows下打开一个命令窗口,，切换到刚下载的whl文件的存放目录，运行pip install lxml-3.6.0-cp35-cp35m-win32.whl

2.3，下载网页内容提取器程序

网页内容提取器程序是GooSeeker为开源Python即时网络爬虫项目发布的一个类，使用这个类，可以大大减少信息采集规则的调试时间，具体参看《Python即时网络爬虫项目: 内容提取器的定义》

• 下载地址: https://github.com/FullerHua/gooseeker/blob/master/core/gooseeker.py
• 把gooseeker.py保存在项目目录下

3，网络爬虫的源代码

    # _*_coding:utf8_*_
    # anjuke.py
    # 爬取安居客房产经纪人

    from urllib import request
    from lxml import etree
    from gooseeker import GsExtractor

    class Spider:
        def getContent(self, url):
            conn = request.urlopen(url)
            output = etree.HTML(conn.read())
            return output

        def saveContent(self, filepath, content):
            file_obj = open(filepath, 'w', encoding='UTF-8')
            file_obj.write(content)
            file_obj.close()

    bbsExtra = GsExtractor() 
    # 下面这句调用gooseeker的api来设置xslt抓取规则
    # 第一个参数是app key，请到GooSeeker会员中心申请
    # 第二个参数是规则名，是通过GooSeeker的图形化工具: 谋数台MS 来生成的
    bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e" , "安居客房产经纪人")  

    url = "http://shenzhen.anjuke.com/tycoon/nanshan/p"
    totalpages = 50
    anjukeSpider = Spider()
    print("爬取开始")

    for pagenumber in range(1 , totalpages):
        currenturl = url + str(pagenumber)
        print("正在爬取", currenturl)
        content = anjukeSpider.getContent(currenturl)
        outputxml = bbsExtra.extract(content)
        outputfile = "result" + str(pagenumber) +".xml"
        anjukeSpider.saveContent(outputfile , str(outputxml))

    print("爬取结束")

运行过程如下:

1. 将上面的代码保存到anjuke.py中，和前面2.3步下载的提取器类gooseeker.py放在同一个文件夹中
2. 打开Windows CMD窗口，切换当前目录到存放anjuke.py的路径(cd \xxxx\xxx)
3. 运行 python anjuke.py

请注意：为了让源代码更整洁，也为了让爬虫程序更有通用性，抓取规则是通过api注入到内容提取器bbsExtra中的，这样还有另外一个好处：如果目标网页结构变化了，只需通过MS谋数台重新编辑抓取规则，而本例的网络爬虫代码不用修改。为内容提取器下载采集规则的方法参看《Python即时网络爬虫：API说明》。

4，爬虫结果

在项目目录下可以看到多个result**.xml文件，文件内容如下图所示：

5，总结

因为信息采集规则是通过api下载下来的，所以，本案例的源代码显得十分简洁。同时，整个程序框架变得很通用，因为最影响通用性的采集规则是从外部注入的。

6，集搜客GooSeeker开源代码下载源

1. GooSeeker开源Python网络爬虫GitHub源

7，文档修改历史

2016.07.11：V1.0