python3通过Beautif和XPath分别爬取“小猪短租-北京”租房信息，并对比时间效率（附源代码）

爬虫思路分析：

1. 观察小猪短租（北京）的网页

首页：http://www.xiaozhu.com/?utm_source=baidu&utm_medium=cpc&utm_term=PC%E6%A0%87%E9%A2%98&utm_content=pinzhuan&utm_campaign=BDPZ

选择“北京”，然后点“搜索小猪”，获取北京市的首页url：http://bj.xiaozhu.com/

观察右侧详情，页面最下面有分页，点击第2、第3页观察url的变化

http://bj.xiaozhu.com/search-duanzufang-p2-0/

http://bj.xiaozhu.com/search-duanzufang-p3-0/

验证首页是否可以写作：http://bj.xiaozhu.com/search-duanzufang-p1-0/（答案是ok的，大部分分页行的网站首页都是可以与其他分页统一化的）

因此，分页的URL可以这么构造：http://bj.xiaozhu.com/search-duanzufang-p{}-0/.format(number)，其中number是几就是第几页

2. 观察右侧的信息，发现每个房源的信息不全，需要手动点击进去才能看到详情

因此需要获取每个房源的详情页面的URL

3. 观察某一房源的详细信息，这里我们提取“标题、地址、价格、房东名字、性别”等

使用BeautifulSoup实现

"""
典型的分页型网站——小猪短租
使用Beautifulsoup解析网页，并对比时间效率

"""

import requests
from bs4 import BeautifulSoup as bs
import time

headers = {
    'User-Agent':'User-Agent:Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}

#--Beautifulsoup--

"""获取每一个房源的网址,参数是分页url"""
def get_link(url):
    html_data = requests.get(url, headers = headers)
    soup = bs(html_data.text, 'lxml')#bs4推荐使用的的解析库
    #print(soup.prettify())   #标准化输出url中的源代码（有可能跟网页查看中的不一致，网页中有可能标签书写不规范）以此为基础抓取，如果抓取失败，用此命令查看源代码
    links = soup.select('#page_list > ul > li > a')#注意循环点！！！直接粘贴过来的是“#page_list > ul > li:nth-child(1) > a > img”，需要去掉:nth-child(1)，注意每个标签前后有空格
    #print(links)
    for link in links:
        link = link.get('href')
        #print(link)
        get_info(link)

"""判断房东性别"""
def sex_is(member):
    if member == 'member_ico':
        return "男"
    else:
        return "女"

"""获取每一个房源的详细信息，参数url是每个房源的网址"""
def get_info(url):
    html_data = requests.get(url, headers = headers)
    soup = bs(html_data.text, 'lxml')#bs4推荐使用的的解析库
    # print(soup.prettify())   #标准化输出url中的源代码（有可能跟网页查看中的不一致，网页中有可能标签书写不规范）以此为基础抓取，如果抓取失败，用此命令查看源代码
    title = soup.select('div.wrap.clearfix.con_bg > div.con_l > div.pho_info > h4 > em')[0].string
    # 用网页copy过来的全部是“body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > h4 > em”，但是使用这个爬不出来数据（我也不知道why），把body去掉或者用下面最简短的方式（只使用最近的且唯一的div）
    # title = soup.select('div.pho_info > h4 > em ')
    # 查询结果title格式是一维列表，需要继续提取列表元素（一般就是[0])，列表元素是前后有标签需要继续提取标签内容，使用get_text()或者string

    address = soup.select('div.wrap.clearfix.con_bg > div.con_l > div.pho_info > p > span')[0].string.strip()
    price = soup.select('#pricePart > div.day_l > span')[0].string.strip()  # div中的id=pricePart是唯一性的，因此不用写前面的div
    name = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')[0].string.strip()
    img = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > a > img')[0].get('src').strip()  # 获取标签的属性值
    sex = sex_is(soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > div')[0].get('class')[0].strip())  # 获取标签的属性值

    #将详细数据整理成字典格式
    data = {
        '标题':title,
        '地址':address,
        '价格':price,
        '房东姓名':name,
        '房东性别':sex,
        '房东头像':img
    }
    print(data)


"""程序主入口"""
if __name__=='__main__':
    start = time.time()
    for number in range(1,4):
        url = 'http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(number)   #构造分页url（不是房源详情的url）
        get_link(url)
        time.sleep(5)
    end = time.time()
    print('运行时长:',end-start)

使用Xpath实现

"""
典型的分页型网站——小猪短租
使用Xpath解析网页，并对比时间效率
"""

import requests
from lxml import etree
import time

headers = {
    'User-Agent':'User-Agent:Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}

#--Xpath--

"""获取每一个房源的网址,参数是分页url"""
def get_link(url):
    html_data = requests.get(url, headers=headers)
    selector = etree.HTML(html_data.text)
    infos = selector.xpath('//*[@id="page_list"]/ul/li')
    for info in infos:
        link = info.xpath('a[1]/@href')[0].strip()#获取a标签中的href使用@，注意写法
        #link = link.get('href')
        #print(link)
        get_info(link)

"""判断房东性别"""
def sex_is(member):
    if member == 'member_ico':
        return "男"
    else:
        return "女"

"""#获取每一个房源的详细信息，参数url是每个房源的网址"""
def get_info(url):
    html_data = requests.get(url, headers=headers)
    selector = etree.HTML(html_data.text)
    # title = selector.xpath('//div[3]/div[1]/div[1]/h4/em')#直接使用copyxpath的结果为空，原因未知,address字段同样情况
    title = selector.xpath('//div[@class="wrap clearfix con_bg"]/div[1]/div[1]/h4/em/text()')[0].strip()
    # title = selector.xpath('//div[@class="pho_info"]/h4/em/text()')[0].strip()
    address = selector.xpath('//div[@class="pho_info"]/p/span/text()')[0].strip()
    price = selector.xpath('//*[@id="pricePart"]/div[1]/span/text()')[0].strip()
    #name = selector.xpath('//*[@id="floatRightBox"]/div[3]/div[2]/h6/a/@title')[0].strip()#此段是直接copy xpath的，某些房源会报错，因为有些房东认证了“超棒房东”，会多一行div
    name = selector.xpath('//*[@id="floatRightBox"]/div[3]/div[@class="w_240"]/h6/a/@title')[0].strip()
    #img = selector.xpath('//*[@id="floatRightBox"]/div[3]/div[1]/a/img/@src')[0].strip()#原因同name
    img = selector.xpath('//*[@id="floatRightBox"]/div[3]/div[@class="member_pic"]/a/img/@src')[0].strip()

    sex = sex_is(selector.xpath('//*[@id="floatRightBox"]/div[3]/div[1]/div/@class')[0].strip())
    #将详细数据整理成字典格式
    data = {
        '标题':title,
        '地址':address,
        '价格':price,
        '房东姓名':name,
        '房东性别':sex,
        '房东头像':img
    }
    print(data)


"""程序主入口"""
if __name__=='__main__':
    start = time.time()
    for number in range(1,4):
        url = 'http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(number)   #构造分页url（不是房源详情的url）
        get_link(url)
        time.sleep(5)
    end = time.time()
    print('运行时长:',end-start)

对比时间效率

爬取1-3页数据，每页延时5s

BeautifulSoup用时27.9475s

XPath用时24.0693s

综上所述

XPath用时更短一些，并且XPath写法更简洁。对比而言，更推荐使用XPath进行网页解析。

值得注意的是，copy XPath的方法虽然好用，但是某些情况有可能抓取失败，比如本例中的title、name和img，此时需要手写（可以尝试明确class和id的写法提高抓取效率）