Python使用爬虫爬取贵阳房价的方法详解

1 序言

1.1 生存压力带来的哲思

马尔萨斯最早发现，生物按照几何级数高度增殖的天赋能力，总是大于他们的实际生存能力或现实生存群量，依次推想，生物的种内竞争一定是极端残酷且无可避免。姑且不论马尔萨斯是否有必要给人类提出相应的警告，仅是这一现象中隐含的一系列基础问题，譬如，生物的超量繁殖能力的自然限度何在？种内竞争的幸存者依靠什么优势来取胜？以及这些所谓的优势群体如何将自己引向何方？等等，就足以引起任何一位有思想的人不能不怵然（恐惧）深思。

后来，达尔文在他的那部划时代的《物种起源》一书的绪论中，特意提及马尔萨斯学说的科学贡献和启迪作用，可见要成为那个马老教士的知音，并不是一般人够资格的！

1.2 买房&房奴

现在结婚，女方一般要求男方有房有车，其实也不能怪人家女孩子，在社会社会高度发展、动荡的今天，这个要求确实不高。奈何改革开放以来，阶级固化，吾辈难矣！先看看贵阳房价（链家新房：https://gy.fang.lianjia.com/）

不能被时代淘汰了，不能总唉声叹气的，白手起家的的大资本家寥寥无几，人家刘强东就是一个。偶像归偶像，回到现实中来吧，农村孩子，可能买了房，就可能是一辈子的房奴，回到农村，表面光鲜亮丽的被别人崇拜着，心里的苦和委屈只有自己知道。鉴于此，我个人不想做房奴车奴，快乐是自己的，生活是自己的，活出自己的精彩，不是活给别人看的，我想让自己命运的旖旎风景绚丽多姿，现阶段要做的是提升自己能力，不想做房奴！

心血澎湃，感叹完了，该回到今天的主题。何不把这些数据弄到一个文档表格里面分析分析，说干就干，就用爬虫爬取吧，然后写入文档。

2 爬虫 

2.1 基本概念

网络爬虫（Crawler）：又称网络蜘蛛，或者网络机器人（Robots）. 它是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。换句话来说，它可以根据网页的链接地址自动获取网页内容。如果把互联网比做一个大蜘蛛网，它里面有许许多多的网页，网络蜘蛛可以获取所有网页的内容。

爬虫是一个模拟人类请求网站行为, 并批量下载网站资源的一种程序或自动化脚本。

• 爬虫：使用任何技术手段，批量获取网站信息的一种方式。关键在于批量。

• 反爬虫：使用任何技术手段，阻止别人批量获取自己网站信息的一种方式。关键也在于批量。

• 误伤：在反爬虫的过程中，错误的将普通用户识别为爬虫。误伤率高的反爬虫策略，效果再好也不能用。

• 拦截：成功地阻止爬虫访问。这里会有拦截率的概念。通常来说，拦截率越高的反爬虫策略，误伤的可能性就越高。因此需要做个权衡。

• 资源：机器成本与人力成本的总和。

2.2 爬虫的基本流程 

(1)请求网页:通过 HTTP 库向目标站点发起请求，即发送一个 Request，请求可以包含额外的 headers 等
信息，等待服务器响应!

(2)获得相应内容:如果服务器能正常响应，会得到一个 Response，Response 的内容便是所要获取的页面内容，类型可能有 HTML，Json 字符串，二进制数据（如图片视频）等类型。

(3)解析内容:得到的内容可能是 HTML，可以用正则表达式、网页解析库进行解析。可能是 Json，可以
直接转为 Json 对象解析，可能是二进制数据，可以做保存或者进一步的处理。

(4)存储解析的数据:保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件

测试案例:代码 实现: 爬取贵阳房价的页面数据

#==========导 包=============
import requests
#=====step_1 : 指 定 url=========
url = 'https://gy.fang.lianjia.com/ /'
#=====step_2 : 发 起 请 求 :======
#使 用 get 方 法 发 起 get 请 求 ， 该 方 法 会 返 回 一 个 响 应 对 象 。 参 数 url 表 示 请 求 对 应 的 url
response = requests . get ( url = url )
#=====step_3 : 获 取 响 应 数 据 :===
#通 过 调 用 响 应 对 象 的 text 属 性 ， 返 回 响 应 对 象 中 存 储 的 字 符 串 形 式 的 响 应 数 据 （ 页 面 源 码数 据 ）
page_text = response . text
#====step_4 : 持 久 化 存 储=======
with open ('贵阳房价 . html ','w', encoding ='utf -8') as fp:
   fp.write ( page_text )
print (' 爬 取 数 据 完 毕 !!!')

爬 取 数 据 完 毕 !!!
Process finished with exit code 0

3 爬取贵阳房价并写入表格

3.1 结果展示

3.2 代码实现（Python） 

#==================导入相关库==================================
from bs4 import BeautifulSoup
import numpy as np
import requests
from requests.exceptions import  RequestException
import pandas as pd
#=============读取网页=========================================
def craw(url,page):
   try:
       headers = {
           "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36"}
       html1 = requests.request("GET", url, headers=headers,timeout=10)
       html1.encoding ='utf-8' # 加编码，重要！转换为字符串编码，read()得到的是byte格式的
       html=html1.text
       return html
   except RequestException:#其他问题
       print('第{0}读取网页失败'.format(page))
       return None
#==========解析网页并保存数据到表格======================
def pase_page(url,page):
   html=craw(url,page)
   html = str(html)
   if html is not None:
       soup = BeautifulSoup(html, 'lxml')
       "--先确定房子信息，即li标签列表--"
       houses=soup.select('.resblock-list-wrapper li')#房子列表
       "--再确定每个房子的信息--"
       for j in range(len(houses)):#遍历每一个房子
           house=houses[j]
           "名字"
           recommend_project=house.select('.resblock-name a.name')
           recommend_project=[i.get_text()for i in recommend_project]#名字 英华天元，斌鑫江南御府...
           recommend_project=' '.join(recommend_project)
           #print(recommend_project)
           "类型"
           house_type=house.select('.resblock-name span.resblock-type')
           house_type=[i.get_text()for i in house_type]#写字楼,底商...
           house_type=' '.join(house_type)
           #print(house_type)
           "销售状态"
           sale_status = house.select('.resblock-name span.sale-status')
           sale_status=[i.get_text()for i in sale_status]#在售,在售,售罄,在售...
           sale_status=' '.join(sale_status)
           #print(sale_status)
           "大地址"
           big_address=house.select('.resblock-location span')
           big_address=[i.get_text()for i in big_address]#
           big_address=''.join(big_address)
           #print(big_address)
           "具体地址"
           small_address=house.select('.resblock-location a')
           small_address=[i.get_text()for i in small_address]#
           small_address=' '.join(small_address)
           #print(small_address)
           "优势。"
           advantage=house.select('.resblock-tag span')
           advantage=[i.get_text()for i in advantage]#
           advantage=' '.join(advantage)
           #print(advantage)
           "均价：多少1平"
           average_price=house.select('.resblock-price .main-price .number')
           average_price=[i.get_text()for i in average_price]#16000,25000,价格待定..
           average_price=' '.join(average_price)
           #print(average_price)
           "总价,单位万"
           total_price=house.select('.resblock-price .second')
           total_price=[i.get_text()for i in total_price]#总价400万/套，总价100万/套'...
           total_price=' '.join(total_price)
           #print(total_price)
           #=====================写入表格=================================================
           information = [recommend_project, house_type, sale_status,big_address,small_address,advantage,average_price,total_price]
           information = np.array(information)
           information = information.reshape(-1, 8)
           information = pd.DataFrame(information, columns=['名称', '类型', '销售状态','大地址','具体地址','优势','均价','总价'])
           information.to_csv('贵阳房价.csv', mode='a+', index=False, header=False)  # mode='a+'追加写入
       print('第{0}页存储数据成功'.format(page))
   else:
       print('解析失败')
#==================双线程=====================================
import threading
for i  in range(1,100,2):#遍历网页1-101
   url1="https://gy.fang.lianjia.com/loupan/pg"+str(i)+"/"
   url2 = "https://gy.fang.lianjia.com/loupan/pg" + str(i+1) + "/"
   t1 = threading.Thread(target=pase_page, args=(url1,i))#线程1
   t2 = threading.Thread(target=pase_page, args=(url2,i+1))#线程2
   t1.start()
   t2.start()v

来源：https://blog.csdn.net/weixin_46039719/article/details/122797332