今天，我们就以链家网南京地区为例，来学习爬取链家网的成交房源数据。
这里推荐使用火狐浏览器，并且安装firebug和firepath两款插件，你会发现，这两款插件会给我们后续的数据提取带来很大的方便。
首先创建一个名称为lianjia的项目。
需求分析
爬取数据的第一步当然是确定我们的需求，大方向就是我们想拿到南京地区的房源成交信息，但是具体的细节信息，我们需要从网页来看，，我们直接在浏览器中输入以下的网址https://nj.lianjia.com/chengjiao/，会显示南京地区的成交的房源信息，包括名称，房屋简介，地理位置，成交日期，成交价格，成交单价等详细信息，这样我们就确定了我们想要的信息，我们在items.py文件中定义如下的一些字段。
#items.py
from scrapy import Item,Field
class LianjiaItem(Item):
region = Field() #行政区域
href = Field() #房源链接
name = Field() #房源名称
style = Field() #房源结构
area = Field() #小区
orientation = Field() #朝向
decoration = Field() #装修
elevator = Field() #电梯
floor = Field() #楼层高度
build_year = Field() #建造时间
sign_time = Field() #签约时间
unit_price = Field() #每平米单价
total_price = Field() #总价
fangchan_class = Field() #房产类型
school = Field() #周边学校
subway = Field() #周边地铁请注意，以上的信息，并不是每一套房源都有的，比如下面的地铁，学校，很多房源都是没有的。
问题
你会发现一个问题，每一个页面会呈现30条的房源信息，最下面一共可以显示100页，总计最多也就是3000条信息，南京地区的成交房源信息肯定不止这区区的3000条，那么如果直接从这个页面通过翻页来获取数据，最多只能获取到3000条信息，所以我们这里需要转思路。
还是这个页面，可以看到页面上部列出了南京地区的行政区，我们随意选择一个，会发现，新的页面依然是每一页30条，共计100页，但是我们有11个行政区，那么其数量也是翻了好几倍了。
这个时候，你可能还是不满足，我们想办法看一下是不是还可以进一步向下划分，没错那就是小区，我们把房源从11个行政区划分到小区上，以小区为单位，每一个小区上面还有房源数据，这样的话，我们的信息可以说比较全面了，当然了，我们需要做的工作也是要翻倍的。
总结
这里我们通过分析，总结出了如下的思路：
- 以行政区为单位，先获取南京地区所有的小区信息
- 以小区为单位，获取每一个小区里面的房源数据
- 最后就是获取具体的每一个房源的信息。
具体实施
现在明确了我们的思路，下面就开始具体的实施。
编写spider.py文件
from scrapy import Spider,Request
import re
from lxml import etree
import json
from urllib.parse import quote
from lianjia.items import LianjiaItem
class Lianjia_spider(Spider):
name = 'lianjia'
allowed_domains = ['nj.lianjia.com']
regions = {'gulou':'鼓楼',
'jianye':'建邺',
'qinhuai':'秦淮',
'xuanwu':'玄武',
'yuhuatai':'雨花台',
'qixia':'栖霞',
'jiangning':'江宁',
'liuhe':'六合',
'pukou':'浦口',
'lishui':'涟水',
'gaochun':'高淳'
}
def start_requests(self):
for region in list(self.regions.keys()):
url = "https://nj.lianjia.com/xiaoqu/" + region + "/"
yield Request(url=url, callback=self.parse, meta={'region':region}) #用来获取页码
def parse(self, response):
region = response.meta['region']
selector = etree.HTML(response.text)
sel = selector.xpath("//div[@class='page-box house-lst-page-box']/@page-data")[0] # 返回的是字符串字典
sel = json.loads(sel) # 转化为字典
total_pages = sel.get("totalPage")
for i in range(int(total_pages)):
url_page = "https://nj.lianjia.com/xiaoqu/{}/pg{}/".format(region, str(i + 1))
yield Request(url=url_page, callback=self.parse_xiaoqu, meta={'region':region})
def parse_xiaoqu(self,response):
selector = etree.HTML(response.text)
xiaoqu_list = selector.xpath('//ul[@class="listContent"]//li//div[@class="title"]/a/text()')
for xq_name in xiaoqu_list:
url = "https://nj.lianjia.com/chengjiao/rs" + quote(xq_name) + "/"
yield Request(url=url, callback=self.parse_chengjiao, meta={'xq_name':xq_name,
'region':response.meta['region']})
def parse_chengjiao(self,response):
xq_name = response.meta['xq_name']
selector = etree.HTML(response.text)
content = selector.xpath("//div[@class='page-box house-lst-page-box']") #有可能为空
total_pages = 0
if len(content):
page_data = json.loads(content[0].xpath('./@page-data')[0])
total_pages = page_data.get("totalPage") # 获取总的页面数量
for i in range(int(total_pages)):
url_page = "https://nj.lianjia.com/chengjiao/pg{}rs{}/".format(str(i+1), quote(xq_name))
yield Request(url=url_page, callback=self.parse_content, meta={'region': response.meta['region']})
def parse_content(self,response):
selector = etree.HTML(response.text)
cj_list = selector.xpath("//ul[@class='listContent']/li")
for cj in cj_list:
item = LianjiaItem()
item['region'] = self.regions.get(response.meta['region'])
href = cj.xpath('./a/@href')
if not len(href):
continue
item['href'] = href[0]
content = cj.xpath('.//div[@class="title"]/a/text()')
if len(content):
content = content[0].split() # 按照空格分割成一个列表
item['name'] = content[0]
item['style'] = content[1]
item['area'] = content[2]
content = cj.xpath('.//div[@class="houseInfo"]/text()')
if len(content):
content = content[0].split('|')
item['orientation'] = content[0]
item['decoration'] = content[1]
if len(content) == 3:
item['elevator'] = content[2]
else:
item['elevator'] = '无'
content = cj.xpath('.//div[@class="positionInfo"]/text()')
if len(content):
content = content[0].split()
item['floor'] = content[0]
if len(content) == 2:
item['build_year'] = content[1]
else:
item['build_year'] = '无'
content = cj.xpath('.//div[@class="dealDate"]/text()')
if len(content):
item['sign_time'] = content[0]
content = cj.xpath('.//div[@class="totalPrice"]/span/text()')
if len(content):
item['total_price'] = content[0]
content = cj.xpath('.//div[@class="unitPrice"]/span/text()')
if len(content):
item['unit_price'] = content[0]
content = cj.xpath('.//span[@class="dealHouseTxt"]/span/text()')
if len(content):
for i in content:
if i.find("房屋满") != -1: # 找到了返回的是非-1得数，找不到的返回的是-1
item['fangchan_class'] = i
elif i.find("号线") != -1:
item['subway'] = i
elif i.find("学") != -1:
item['school'] = i
yield item
我们对上面关键的地方进行解释：
- start_requests
这个就是我们以行政区为单位，目的是爬取每一个行政区的小区列表。 - parse
对行政区返回的response进行解析，我们目的是拿到这个大的行政区，包含多少个页面，其中的total_pages就是具体的页面数，接下来就是按照页码请求每一个页面。 - parse_xiaoqu
上面返回了每一个页面的信息，这个时候我们就把当前页面的小区列表拿到，而后，在针对小区列表，每一个小区进行一次请求。 - parse_chengjiao
解析小区的页面数，上面说到了，我们请求了每一个小区数据，这个小区肯定不止包含一页的数据，那么我们这个方法就是将这个小区包含的页面数抽取出来，而后针对每一个页面进行请求 - parse_content
这个方法就是解析具体的页面了，可以看到，这个方法里面包含了非常多的条件判断，这是因为，我们之前定义的item字段里面的信息，并不是每一个小区都有的，就是说，我们要的信息他不是一个规规矩矩的信息，很多的房源没有提供相关的信息，比如地铁，周边学校等等的信息，我们这里就是如果有这个信息，我们就把它提取出来，如果没有的话，我们就给他自定义一个内容
。最后将item提交给item pipeline进行后续的处理。
由于这一节的信息比较多，我们就把它分为两个小节，在下一节中，我们对拿到的数据进行后续的处理。