Python轻量级网页抓取脚本

近期开始关注房产，链家官网有两周前的成交数据可供参考。
通过Python+requests+re+beautifulsoup4进行网页抓取、内容解析。

http请求

requests库进行http请求，要考虑的是编码问题，requests通过encoding设置能友好处理。

1
2
3
4
5
6
7
8
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36',
    'Refer': 'http://bj.lianjia.com/chengjiao/',
    'Cookie': 'xxxxxx'
}
r = requests.get(url, headers = headers)
r.encoding = 'utf-8' # 设置编码
html = r.content

数据库表结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
CREATE TABLE `chengjiao` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT,
  `lj_id` char(16) DEFAULT NULL COMMENT '链家id编号',
  `img_origin` varchar(255) DEFAULT NULL COMMENT '图片源地址',
  `href` varchar(255) DEFAULT NULL COMMENT '详情页url',
  `title` varchar(255) DEFAULT NULL COMMENT '标题',
  `community` varchar(128) DEFAULT NULL COMMENT '所属小区',
  `layout` varchar(128) DEFAULT NULL COMMENT '户型',
  `area` varchar(128) DEFAULT NULL COMMENT '面积',
  `deal_date` varchar(20) DEFAULT NULL COMMENT '成交日期',
  `total_price` decimal(10,2) DEFAULT NULL COMMENT '总价',
  `position_icon` varchar(128) DEFAULT NULL COMMENT '位置信息',
  `floor` varchar(128) DEFAULT NULL COMMENT '楼层',
  `age` varchar(64) DEFAULT NULL COMMENT '年限',
  `source` varchar(128) DEFAULT NULL COMMENT '成交来源',
  `unit_price` decimal(10,2) DEFAULT NULL COMMENT '单价(元/平米)',
  `created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  KEY `index_lj_id` (`lj_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

html解析

beautifulsoup对html解析相比htmlparse更智能便捷。

  • 通过css选择器定位元素：soup.select(‘.classname > li’)选择.classname累下的li节点
  • beautifulsoup中Tag节点逐级选择，注意在元素有子节点时string无法获取内容，需要通过逐级定位元素后才能通过string获取内容
  • contents获取所有子节点，排查位置时比较便捷
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
soup = BeautifulSoup(html, 'lxml')
li_list = soup.select('.listContent > li')
for li in li_list:
        try:
            img_origin = li.a.img['data-original'] # img_origin: 高清图片
            href = li.select('div[class="title"]')[0].a['href'] # href: 详情页url
            lj_id = re.search(r'/(\d*).html', href).group(1) # lianjia id: 链家id
            title = li.select('div[class="title"]')[0].a.string # title: 标题
            # 对title切割为:小区(community), 户型(layout), 面积(area)
            title_arr = title.split(' ')
            community = title_arr[0]
            layout = title_arr[1]
            area = title_arr[2]
            deal_date = li.select('div[class="dealDate"]')[0].string # dealDate: 成交时间
            total_price = li.select('div[class="totalPrice"]')[0].span.string # totalPrice : 成交价格
            position_icon = li.select('div[class="positionInfo"]')[0].contents[1] # positionInfo: 楼层位置及年代
            floor = position_icon.split(' ')[0] # 楼层
            age = position_icon.split(' ')[1] # 年限
            source = li.select('div[class="source"]')[0].string # source: 交易来源
            unit_price = li.select('div[class="unitPrice"]')[0].span.string # unitPrice: 单价(元/平米)
            session = saveChengjiaoToDB()
            sql = ("'insert into chengjiao(lj_id, img_origin, href, title, community, layout, area,",  
                    "deal_date, total_price, position_icon, floor, age, source, unit_price) values('")
            sql += lj_id + ',"' + img_origin + '","' + href + '","' + title + '","' + community + '","' + layout + '","' + area + '","' + deal_date + '","' + total_price + '","' + position_icon + '","' + floor + '","' + age + '","' + source + '","' + unit_price + '"'
            sql += ')'
            session.execute(sql)
            session.commit()
        except BaseException, e:
            print 'ERROR: ' + str(e) + ', URL: ' + url

存表后的数据：
lianjia data

总结

这套逻辑比较粗糙，纯粹是无聊+熟悉python，如果生产环境建议采用scrapy
最后如果关注房产数据的话，可访问北京房市儿这个网站，走势比较丰富。
其实实现里又增加了根据lj_id去重，每天自动化任务自动抓取，实现收集一定时间内北京房地产成交数据。
PS: 链家数据可靠性未知，仅供参考。脚本抓取仅供技术分享，误滥用，毕竟频繁抓取对服务器的压力给RD同学也是伤。

参考

beautifulsoup CSS选择器
Python爬虫利器二之Beautiful Soup的用法