Python多线程爬取链家房源，保存表格，实现数据可视化分析！
使用Python来爬取二手房源数据，并保存表格，实现数据分析！软件环境
Python 3.8
Pycharm
代码展示
模块
# 数据请求模块 --> 第三方模块, 需要安装 pip install requests
import requests
# 解析数据模块 --> 第三方模块, 需要安装 pip install parsel
import parsel
# csv模块
import csv
创建文件
f = open('data.csv', mode='w', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
'标题',
'小区',
'区域',
'售价',
'单价',
'户型',
'面积',
'朝向',
'装修',
'楼层',
'年份',
'建筑类型',
'详情页',
])
csv_writer.writeheader()
发送请求, 模拟浏览器 对于 url地址 发送请求
模拟浏览器
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
请求网址/网站
url = 'https://cs.lianjia.com/ershoufang/'
# 完整源码，视频讲解直接＋这个扣裙：279199867 免费领取
发送请求
response = requests.get(url=url, headers=headers)
# <Response > 响应对象 200 状态码 表示请求成功
print(response)
获取数据, 获取网页源代码
解析数据, 提取我们想要的数据内容
解析方法:
[*]re: 对于字符串数据直接进行解析提取
[*]css: 根据标签属性提取数据内容
[*]xpath: 根据标签节点提取数据内容
使用css: 根据标签属性提取数据内容
把获取到html字符串数据, 转成可解析对象
selector = parsel.Selector(response.text)
获取所有房源信息所在li标签
lis = selector.css('.sellListContent li.clear')
for循环遍历
for li in lis:
"""<br>
提取具体房源信息: 标题 / 价格 / 位置 / 户型...
.title a --> 表示定位class类名为title下面a标签
"""
title = li.css('.title a::text').get()# 标题
info_list = li.css('.positionInfo a::text').getall()
area = info_list# 小区名字
area_1 = info_list# 地区
totalPrice = li.css('.totalPrice span::text').get()# 售价
unitPrice = li.css('.unitPrice span::text').get().replace('元/平', '').replace(',', '')# 单价
houseInfo = li.css('.houseInfo::text').get().split(' | ')# 信息
houseType = houseInfo# 户型
houseArea = houseInfo.replace('平米', '')# 面积
houseFace = houseInfo# 朝向
fitment = houseInfo# 装修
fool = houseInfo# 楼层
if len(houseInfo) == 7 and '年' in houseInfo:
year = houseInfo.replace('年建', '')
else:
year = ''
house = houseInfo[-1]# 建筑类型
href = li.css('.title a::attr(href)').get()# 详情页
dit = {
'标题': title,
'小区': area,
'区域': area_1,
'售价': totalPrice,
'单价': unitPrice,
'户型': houseType,
'面积': houseArea,
'朝向': houseFace,
'装修': fitment,
'楼层': fool,
'年份': year,
'建筑类型': house,
'详情页': href,
}
csv_writer.writerow(dit)
print(dit)
# print(title, area, area_1, totalPrice, unitPrice, houseType, houseArea, houseFace, fitment, fool, year, house, href)
多线程
导入模块
import requests
import parsel
import re
import csv
# 线程池模块
import concurrent.futures
import time
发送请求函数
def get_response(html_url):
:param html_url:
:return:
"""
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36'
}
response = requests.get(url=html_url, headers=headers)
return response
获取数据函数
def get_content(html_url):
"""
:param html_url:
:return:
"""
response = get_response(html_url)
html_data = get_response(link).text
selector = parsel.Selector(response.text)
select = parsel.Selector(html_data)
lis = selector.css('.sellListContent li')
content_list = []
for li in lis:
title = li.css('.title a::text').get()# 标题
area = '-'.join(li.css('.positionInfo a::text').getall())# 小区
Price = li.css('.totalPrice span::text').get()# 总价
Price_1 = li.css('.unitPrice span::text').get().replace('元/平', '')# 单价
houseInfo = li.css('.houseInfo::text').get()# 信息
HouseType = houseInfo.split(' | ')# 户型
HouseArea = houseInfo.split(' | ').replace('平米', '')# 面积
direction = houseInfo.split(' | ').replace(' ', '')# 朝向
renovation = houseInfo.split(' | ')# 装修
floor_info = houseInfo.split(' | ')
floor = floor_info[:3]# 楼层
floor_num = re.findall('(\d+)层', floor_info)# 层数
BuildingType = houseInfo.split(' | ')[-1]
string = select.css('.comments div:nth-child(7) .comment_text::text').get()
href = li.css('.title a::attr(href)').get()# 详情页
if len(houseInfo.split(' | ')) == 6:
date = 'None'
else:
date = houseInfo.split(' | ').replace('年建', '')# 日期
print(string)
dit = {
'标题': title,
'内容': string,
'小区': area,
'总价': Price,
'单价': Price_1,
'户型': HouseType,
'面积': HouseArea,
'朝向': direction,
'装修': renovation,
'楼层': floor,
'层数': floor_num,
'建筑日期': date,
'建筑类型': BuildingType,
'详情页': href,
}
content_list.append(dit)
return content_list
主函数
def main(page):
"""
:param page:
:return:
"""
print(f'===============正在采集第{page}页的数据内容===============')
url = f'https:///ershoufang/yuelu/p{page}/'
content_list = get_content(html_url=url)
for content in content_list:
csv_writer.writerow(content)
if __name__ == '__main__':
time_1 = time.time()
link = 'http://******/article/149'
# 创建文件
f = open('data多线程.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
'标题',
'内容',
'小区',
'总价',
'单价',
'户型',
'面积',
'朝向',
'装修',
'楼层',
'层数',
'建筑日期',
'建筑类型',
'详情页',
])
csv_writer.writeheader()
# 线程池执行器 max_workers 最大线程数
exe = concurrent.futures.ThreadPoolExecutor(max_workers=10)
for page in range(1, 11):
exe.submit(main, page)
exe.shutdown()
time_2 = time.time()
use_time = int(time_2 - time_1)
# 总计耗时: 9
print('总计耗时:', use_time)
来源:https://www.cnblogs.com/hahaa/p/17406006.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]