安居客scrapy房产信息爬取到数据可视化(上)-scrapy爬虫

出发点

想做一个地图热力图，发现安居客房产数据有我要的特性。emmm,那就尝试一次好了~

老规矩，从爬虫，从拿到数据开始...

scrapy的配置

创建一个项目（在命令行下敲~）：

scrapy startproject anjuke

这命令会建一个叫anjuke的文件夹，里面会有一些待你配置的文件

创建一个spider:

先进入创建的项目文件夹里

cd anjuke
scrapy genspider anju qd.anjuke.com

这命令会建一个叫anju.py的文件，它就是刚刚创建的spider

这时的文件夹结构应该是这样的：

创建item

item是保存爬取数据的容器，使用方法和字典类似~

将item.py修改如下：

import scrapy


class AnjukeItem(scrapy.Item):
    # define the fields for your item here like:
    address = scrapy.Field()
    name = scrapy.Field()
    type_ = scrapy.Field()
    tags = scrapy.Field()
    price = scrapy.Field()
    area = scrapy.Field()
    city = scrapy.Field()

至于item为什么是这样的可以看看这张图片：

网页结构：

上图就是下面代码用xpath获取divs的那部分，这跟网页的结构有关~

浏览器直接按f12审查元素就是这个站的源码了（有的网站有些内容由js加载时，其实这里可能不是返回的源码）。

上图列出了下面xpath代码的逻辑~~

spider的逻辑(spider-anju.py的修改)

# -*- coding: utf-8 -*-
import scrapy
from anjuke.items import AnjukeItem  # 使用item


class AnjuSpider(scrapy.Spider):
    name = 'anju'  # spider的名称，影响不大
    allowed_domains = []  # 允许爬取的域，为空则是允许当前spider爬取所有的域名
    start_urls = ['https://cheng.fang.anjuke.com/', 'https://chang.fang.anjuke.com/', 'https://chi.fang.anjuke.com/',
                  'https://chu.fang.anjuke.com/', 'https://cy.fang.anjuke.com/', 'https://chao.fang.anjuke.com/',
                  'https://cx.fang.anjuke.com/', 'https://hf.fang.anjuke.com/', 'https://changd.fang.anjuke.com/',
                  'https://cg.fang.anjuke.com/', 'https://chongz.fang.anjuke.com/', 'https://chss.fang.anjuke.com/',
                  'https://ba.fang.anjuke.com/', ]

    def parse(self, response):
        divs = response.xpath('''//div[@class="key-list imglazyload"]/div''')  # 使用xpath从response中获取需要的html块
        city = response.xpath(
            '''//span[@class="city"]/text()''').extract_first()  # 我们匹配到的其实只有一个，获取第一个就行了，这里如果用.extract()其实会返回一个列表
        print(divs)
        for div in divs:

            item = AnjukeItem()  # 实例化item对象
            item['city'] = city  # 城市
            item['address'] = div.xpath('.//span[@class="list-map"]/text()').extract_first()  # 楼盘地址
            item['name'] = div.xpath('.//span[@class="items-name"]/text()').extract_first()  # 开发商名称
            try:
                item['type_'] = div.xpath('.//a[@class="huxing"]/span/text()').extract()[:-1]  # 房子类型比如两房一厅这样子~
            except:
                pass

            item['tags'] = div.xpath('.//span[@class="tag"]/text()').extract()  # 网站给楼盘定的标签~

            price = div.xpath('.//p[contains(@class,"price")]//text()').extract()  # 价格
            item['price'] = price
            try:

                item['area'] = div.xpath('.//a[@class="huxing"]/span/text()').extract()[-1].replace('建筑面积：',
                                                                                                    '')  # 房子面积范围~
            except:
                pass
            yield item

        next_ = response.xpath('//a[@class="next-page next-link"]/@href').extract_first()  # 获取下一页的链接
        print('-----next')
        print(next_)
        yield response.follow(url=next_, callback=self.parse)  # 将下一页的链接加入爬取队列~~

上面的start_urls的链接是另外爬的，链接这里：安居客，全部链接爬下来了，这里为了篇幅就列出几个就好了。

上面代码item的结构：

为什么我要将价格保存为list呢？

因为网站这里给的价格有最低价、总价、均价，我只想要均价，保留价格的类型后面用时分类方便~

然后是将数据保存到Mongodb，需要对pipelines.py进行一些修改：

import pymongo


class TextPipeline(object):  #这个自定义的类是打算用来处理item数据的，后来发现爬到的item数据好像还挺干净就没有写逻辑了~
    def process_item(self, item, spider):
        print(item)
        return item


class MongoPipeline(object):
    def __init__(self,mongo_uri,mongo_db):  
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db
    @classmethod
    def from_crawler(cls,crawler):  #类方法，用于从settins.py中获取在那边设置的MONGO_URI和MONGO_DB
        return cls(
            mongo_uri = crawler.settings.get('MONGO_URI'),
            mongo_db = crawler.settings.get('MONGO_DB')
            )
    def open_spider(self,spider):  #当spider开启时这个方法被调用，这里用来连接数据库
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]
    def process_item(self,item,spider):  #实现了item数据插入到数据库，自动创建与项目名同名，spider同名的表，数据都保存在里面
        name = item.__class__.__name__
        self.db[name].insert(dict(item))
        return item
    def close_spider(self,spider):  #当spider关闭时这个方法被调用
        self.client.close()

最后就是应付反爬的一些操作咯：

这些都在settings.py设置：

首先，站点对user-agent有检查，发现是爬虫头直接跳转到验证码页面...

emmm,伪造浏览器请求头就好了：

在settings.py加(记得import random)：

USER_AGENT_LIST=[  #各浏览器的请求头
'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
USER_AGENT = random.choice(USER_AGENT_LIST)  #随机从上面列表中选取请求头，伪造请求头~

还有就是禁用cookie，网站会通过用户的Cookie信息对用户进行识别与分析，所以要防止目标网站识别我们的会话信息:

COOKIES_ENABLED = False  #关闭cookie

最后就是访问频率的控制，站点对一个ip的访问频率也有监测，一直很访问快的话，也是会跳到人机验证页面~：

DOWNLOAD_DELAY = random.choice([1,2])  #访问延时，随机选1或2~

 最后，看看爬到的部分数据（去重之后大概有7w条左右）~

对爬取到的数据的想法：

1、给出的房源少，房源最多的城市也就2000左右，我想这很大程度并不能代表各个城市的平均水平。。

2、爬到的数据也不一定对，可能房地产或网站这边故意压低一点房价，以消费者吸引目光~

3、其实最好的办法是以公司的合作来取到数据，有这样官方的数据就不用自己去爬了，而且也最准确、最真实啊（有大腿抱得话真的舒服）~

End