python爬虫之scrapy初试与抓取链家成交房产记录

接上一篇文章，本机安装好python之后和scrapy之后，我们开始学习使用scrapy创建爬虫程序。
今天先来点简单的，不那么复杂，先看看抓取链家网里面的房价信息。

首先使用CMD命令行进入F盘创建scrapy的框架

scrapy startproject lianjia

使用编辑器打开lianjia文件结构如下

简单说一下scrapy框架的生成结构：
spiders文件夹主要存放爬虫逻辑文件，稍后我们会在这里面创建一个爬虫文件
items.py是为了方便保存抓取的数据，会在文件内预定义数据字段（类似model）
middlewares.py是中间件，可以用于下载图片，自动化处理等
pipelines.py是管道文件，可以用于处理数据的存储
setting.py是配置文件

第一步，在spiders中创建爬虫文件linajiaSql.py

# -*- coding: utf-8 -*-
import scrapy
import re
import time
from lianjia.items import LianjiaItem

class LianjiasqlSpider(scrapy.Spider):
    name = "lianjiaSql"

    allowed_domains = ["cd.lianjia.com/chengjiao"]
    start_urls = ["https://cd.lianjia.com/chengjiao/"]

    def parse(self, response):
        mingyan = response.xpath("//ul[contains(@class,'listContent')]/li/a/@href").extract()
        for v in mingyan:  # 循环获取
            if v is not None:
                # print v
                yield scrapy.Request(url=v, callback=self.parse_s, dont_filter=True)

    def parse_s(self, response):
        item = LianjiaItem()
        item['title'] = response.xpath("//div[contains(@class,'house-title')]//h1/text()").extract()[0]
        atime = response.xpath("//div[contains(@class,'house-title')]//span/text()").extract()[0]
        item['atime'] = re.search(r"(\d{4}.\d{1,2}.\d{1,2})", atime).groups()[0]
        item['allprice'] = response.xpath("//span[contains(@class,'dealTotalPrice')]//i/text()").extract()[0]
        item['price'] = response.xpath("//div[contains(@class,'price')]//b/text()").extract()[0]
        item['addtime'] = int(time.time())
        yield item

其中使用到的有re模块正则，time获取当前时间，xpath根据html分析获取，如果对xpath不熟悉的朋友，请自行查看相关代码

第二步，设置items.py
items是存放数据库的字段，爬虫里面会直接调用

import scrapy

class LianjiaItem(scrapy.Item):
    title = scrapy.Field()
    atime = scrapy.Field()
    allprice = scrapy.Field()
    price = scrapy.Field()
    addtime = scrapy.Field()

第三步，设置存储mysql的管道文件
在items.py同级创建MySQLPipeline.py
这就是著名的管道文件，用来做数据库插入操作的。

import MySQLdb
class MySQLPipeline(object):
    def __init__(self):
        self.connect = MySQLdb.connect(
            host='127.0.0.1',
            port=3306,
            db='lianjiadb',
            user='root',
            passwd='root',
            charset='utf8',
            use_unicode=True)
        self.cursor = self.connect.cursor()

    def process_item(self, item, spider):
        self.cursor.execute(
            """insert into lianjia(title, atime,allprice,price ,addtime) value (%s, %s,%s,%s,%s)""",
            (item['title'],
             item['atime'],
             item['allprice'],
             item['price'],
             item['addtime'],))
        self.connect.commit()
        return item

第四步，设置setting.py配置数据存储管道和header请求头文件
setting顾名思义就是用来做设置的文件喽
在setting.py中增加

DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding':  'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Referer': 'http://www.baidu.cn/',
}
ITEM_PIPELINES = {
    'lianjia.MySQLPipeline.MySQLPipeline': 300,
}

到此整个爬虫就写好了，别忘记配置你的mysql
创建一个lianjiadb的数据库，并且创建lianjia表，具体如下

CREATE TABLE `lianjia` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `title` varchar(255) DEFAULT NULL COMMENT '房名',
  `atime` varchar(20) DEFAULT NULL COMMENT '成交时间',
  `allprice` varchar(10) DEFAULT NULL COMMENT '总价（万）',
  `price` varchar(12) DEFAULT NULL COMMENT '单价（元/平方）',
  `addtime` varchar(15) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

OK，这时候就可以使用CMD命令行，进入到F:/lianjia/,启动爬虫，注意大小写

scrapy crawl lianjiaSql

如果在爬虫的过程中报错有什么模块没有安装，请使用PIP安装对应模块
爬虫启动，抓取数据如下图：

相对应的链家网址显示

好啦，这节先讲这么多，下节讲一讲如何分页爬取更多的成交房记录