python爬虫爬取链家二手房信息(xpath)

需求

将小区名称、厅室、面积、毛坯还是精装、楼层、建筑年代、板楼还是塔楼、总价和每平方米单价等信息爬取放入字典中

流程

1. 查看想要的数据在网页源码中是否存在(确认是否为静态部分)
2. 找网页url的规律，规律如下：
   第n页：https://sh.lianjia.com/ershoufang/pgn/
3. 写xpath表达式
   右键查看页面元素，发现节点
   li子节点就是一个房源的信息
   在chrome浏览器用xpath表达式匹配想要的房源信息节点
   此处表达式为：//ul[@class=“sellListContent”]/li[@class=“clear LOGVIEWDATA LOGCLICKDATA”]
   返回值为：节点对象列表[li1,li2,li3…]
   注：
   1.匹配出广告等不需要的信息，用xpath表达式的条件过滤掉
   2. 页面中xpath能匹配出来，程序中不能匹配出来，属于正常现象。
   一定是浏览器自动执行了一些js(因为xpath匹配的是js渲染完之后的html代码)，将页面结构做了一些调整，
   一旦出现这种情况， 查看网页响应的源码，在源码中找到关键字，截取周围源码，将源码html在线格式化后，看结构和内容，即页面中的xpath不能全信，以实际响应源码的内容为准，重写xpath表达式
   • for循环遍历 提取每一个 li 房源数据
   • 根据页面元素html写xpath表达式

     1. 小区名称：//div[@class=“positionInfo”]/a[1]/text()

     2. 区域：//div[@class="positioninfo’]/a[2]/text()

     3. 商品房信息：//div[@class=“houseInfo”]/text()
        拿出来的是字符串：“户型+面积+方位+是否精装+楼层+年代+类型"
        e.g. 2室一厅 | 67.7平米 | 南北 | 毛坯 | 低楼层(共6楼) |1997年建 | 板楼
        split(’|’)之后

        1. 户型：houseinfo[0]
        2. 面积：houseinfo[1]
        3. 方位：houseinfo[2]
        4. 精装：houseinfo[3]
        5. 楼层：houseinfo[4]
        6. 年代：houseinfo[5]
        7. 类型：houseinfo[6]

     4. 总价：//div[@class=“totalPrice”]/span/text()

     5. 单价：//div[@class=“unitPrice”]/span/text()

详细代码

import requests
from lxml import etree
import time
import random
from fake_useragent import UserAgent

class LianjiaSpider(object):
	def __init__(self):
		self.url = 'https://sh.lianjia.com/ershoufang/pg{}/'

	def parse_html(self,url):
		headers = {'User-Agent':UserAgent().random}
		#当请求没响应时，再循环请求两次，没响应抛出异常。当响应成功，退出当前循环。继续下一页数据抓取
		for i in range(3):
			try:
				#Requests模块：向网站发请求并获取响应对象html内容，用content属性保险点,响应超时时间为3秒
				html = requests.get(url=url,headers=headers).content.decode('utf-8','ignore',timeout=3)
				self.get_data(html)
			except Exception as e:
				print('Retry')
				print(e)
		
	def get_data(self,html):
		#lxml模块：创建解析对象
		p = etree.HTML(html)
		#解析对象调用匹配房源信息的xpath表达式，返回值为节点对象列表：[li1,li2,li3]
		li_list = p.xpath('''/ul[@class="sellListContent"]/li[@class=
						"clear LOGVIEWDATA LOGCLICKDATA"]''')
		item = {}
		#for循环遍历列表，获取每一个房源信息中的每一个具体信息，放入字典
		for p in li_list:
			#注意遍历厚继续xpath，xpath表达式要以 .开头,代表在当前节点下(不在整个html下)
			#小区名
			name_list = p.xpath('.//div[@class="positioninfo']/a[1]/text()') #返回值是个列表
			#为防name_list没匹配出来，没匹配出来向数据库中存一个None
			item['name'] = name_list[0].strip() if name_list else None
			
			#区域
			region = p.xpath('.//div[@class="positioninfo']/a[2]/text()')
			item['region'] = region[0].strip() if region else None
			
			#二手房信息
			houseinfo = p.xpath('.//div[@class="houseInfo"]/text()')
			#houseinfo = [“户型+面积+方位+是否精装+楼层+年代+类型"]
			#谨慎点，如果匹配出houseinfo 就拿数据，如果为空，就直接存一个None
			if houseinfo:
				houseinfo = houseinfo[0].split('|')	#返回值是个列表
				#谨慎点，houseinfo列表里需要有7条数据,否则直接置为None
				if len(houseinfo) == 7:
					item['housetype'] = houseinfo[0].strip()
					item['area'] = houseinfo[1].strip()
					item['direction'] = houseinfo[2].strip()
					item['decoration'] = houseinfo[3].strip()
					item['level'] = houseinfo[4].strip()
					item['time'] = houseinfo[5].strip()[:-2]	#用切片取出数字，去掉最后两个汉字
					item['type'] = houseinfo[6].strip()
				else:
					item['housetype'] = item['area'] = item['direction'] = \
					item['decoration'] = item['level'] = item['time'] = item['type']  \
					= None
			else:
				item['housetype'] = item['area'] = item['direction'] =  \
     				item['decoration'] = item['level'] = item['time'] = item['type']  \
     				= None
			
			#总价
			total_list = p.xpath('.//div[@class="totalPrice"]/span/text()')
			item['total'] = total_list[0].strip() if total_list else None
			#每平米单价
			unit_list = p.xpath('.//div[@class="unitPrice"]/span/text()')
			item['unit'] = unit_list[0].strip() if unit_list else None

		print(item)

	def run(self):
		for page in range(1,101):
			url = self.url.format(page)
			self.parse_html(url)
			time.sleep(random.randint(1,2))

if __name__ == '__main__':
	spider = LianjiaSpider()
	spider.run()