记一次python 爬虫爬取深圳租房信息的过程及遇到的问题

为了分析深圳市所有长租、短租公寓的信息，爬取了某租房公寓网站上深圳区域所有在租公寓信息，以下记录了爬取过程以及爬取过程中遇到的问题：

爬取代码：

import requests
from requests.exceptions import RequestException
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup
import pymongo
from config import *
from multiprocessing import Pool

client = pymongo.MongoClient(MONGO_URL)  # 申明连接对象
db = client[MONGO_DB]  # 申明数据库

def get_one_page_html(url):  # 获取网站每一页的html
 headers = {
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
          "Chrome/85.0.4183.121 Safari/537.36"
 }
 try:
   response = requests.get(url, headers=headers)
   if response.status_code == 200:
     return response.text
   else:
     return None
 except RequestException:
   return None

def get_room_url(html):  # 获取当前页面上所有room_info的url
 doc = pq(html)
 room_urls = doc('.r_lbx .r_lbx_cen .r_lbx_cena a').items()
 return room_urls

def parser_room_page(room_html):
 soup = BeautifulSoup(room_html, 'lxml')
 title = soup.h1.text
 price = soup.find('div', {'class': 'room-price-sale'}).text[:-3]
 x = soup.find_all('div', {'class': 'room-list'})
 area = x[0].text[7:-11]  # 面积
 bianhao = x[1].text[4:]
 house_type = x[2].text.strip()[3:7]  # 户型
 floor = x[5].text[4:-2]  # 楼层
 location1 = x[6].find_all('a')[0].text  # 分区
 location2 = x[6].find_all('a')[1].text
 location3 = x[6].find_all('a')[2].text
 subway = x[7].text[4:]
 addition = soup.find_all('div', {'class': 'room-title'})[0].text
 yield {
   'title': title,
   'price': price,
   'area': area,
   'bianhao': bianhao,
   'house_type': house_type,
   'floor': floor,
   'location1': location1,
   'location2': location2,
   'location3': location3,
   'subway': subway,
   'addition': addition
 }

def save_to_mongo(result):
 if db[MONGO_TABLE].insert_one(result):
   print('存储到mongodb成功', result)
   return True
 return False

def main(page):
 url = 'http://www.xxxxx.com/room/sz?page=' + str(page)  # url就不粘啦，嘻嘻
 html = get_one_page_html(url)
 room_urls = get_room_url(html)
 for room_url in room_urls:
   room_url_href = room_url.attr('href')
   room_html = get_one_page_html(room_url_href)
   if room_html is None:  # 非常重要，否则room_html为None时会报错
     pass
   else:
     results = parser_room_page(room_html)
     for result in results:
       save_to_mongo(result)

if __name__ == '__main__':
 pool = Pool() # 使用多进程提高爬取效率
 pool.map(main, [i for i in range(1, 258)])

在写爬取代码过程中遇到了两个问题：

（一）在get_room_url(html)函数中，开始是想直接return每个租房信息的room_url，但是return不同于print，函数运行到return时就会结束该函数，这样就只能返回每页第一个租房room_url。解决办法是：return 包含每页所有room_url的generator生成器，在main函数中用for循环遍历，再从每个room_url中获取href，传入到get_one_page_html(room_url_href)中进行解析。

（二）没有写第76行的if语句，我默认get_one_page_html(room_url_href)返回的room_html不为空，因此出现multiprocessing.pool.RemoteTraceback报错：

上图中显示markup为None情况下报错，点击蓝色"F:\ProgramFiles\anaconda3\lib\site-packages\bs4\__init__.py"发现markup为room_html，即部分room_html出现None情况。要解决这个问题，必须让代码跳过room_html is None的情况，因此添加 if 语句解决了这个问题。

最终成功爬取某租房公寓深圳市258页共4755条租房信息，为下一步进行数据分析做准备。

其中单条信息：

来源：https://www.cnblogs.com/chang2021/p/14021768.html