利用requestespyqueryBeautifulSoup爬取某租房公寓(深圳市)4755条租房信息及总结

为了分析深圳市所有长租、短租公寓的信息，爬取了某租房公寓网站上深圳区域所有在租公寓信息，网站上租房信息共有258页，每页有20条租房信息(第258页为13条)，以下记录了爬取过程以及爬取过程中遇到的问题：

爬取流程：

                            

爬取代码：

import requests
from requests.exceptions import RequestException
from pyquery import PyQuery as pq
from bs4 import BeautifulSoup
import pymongo
from config import *
from multiprocessing import Pool

client = pymongo.MongoClient(MONGO_URL)    # 申明连接对象
db = client[MONGO_DB]    # 申明数据库

def get_one_page_html(url):    # 获取网站每一页的html
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
                      "Chrome/85.0.4183.121 Safari/537.36"
    }
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        else:
            return None
    except RequestException:
        return None


def get_room_url(html):    # 获取当前页面上所有room_info的url
    doc = pq(html)
    room_urls = doc('.r_lbx .r_lbx_cen .r_lbx_cena a').items()
    return room_urls


def parser_room_page(room_html):
    soup = BeautifulSoup(room_html, 'lxml')
    title = soup.h1.text
    price = soup.find('div', {'class': 'room-price-sale'}).text[:-3]
    x = soup.find_all('div', {'class': 'room-list'})
    area = x[0].text[7:-11]    # 面积
    bianhao = x[1].text[4:]
    house_type = x[2].text.strip()[3:7]    # 户型
    floor = x[5].text[4:-2]    # 楼层
    location1 = x[6].find_all('a')[0].text    # 分区
    location2 = x[6].find_all('a')[1].text
    location3 = x[6].find_all('a')[2].text
    subway = x[7].text[4:]
    addition = soup.find_all('div', {'class': 'room-title'})[0].text
    yield {
        'title': title,
        'price': price,
        'area': area,
        'bianhao': bianhao,
        'house_type': house_type,
        'floor': floor,
        'location1': location1,
        'location2': location2,
        'location3': location3,
        'subway': subway,
        'addition': addition
    }


def save_to_mongo(result):
    if db[MONGO_TABLE].insert_one(result):
        print('存储到mongodb成功', result)
        return True
    return False


def main(page):
    url = 'http://www.xxxxx.com/room/sz?page=' + str(page)    # url就不粘啦，嘻嘻
    html = get_one_page_html(url)
    room_urls = get_room_url(html)
    for room_url in room_urls:
        room_url_href = room_url.attr('href')
        room_html = get_one_page_html(room_url_href)
        if room_html is None:    # 非常重要，否则room_html为None时会报错
            pass
        else:
            results = parser_room_page(room_html)
            for result in results:
                save_to_mongo(result)

if __name__ == '__main__':
    pool = Pool()  # 使用多进程提高爬取效率
    pool.map(main, [i for i in range(1, 258)])

在写爬取代码过程中遇到了两个问题：

（一）在get_room_url(html)函数中，开始是想直接return每个租房信息的room_url，但是return不同于print，函数运行到return时就会结束该函数，这样就只能返回每页第一个租房room_url。解决办法是：return 包含每页所有room_url的generator生成器，在main函数中用for循环遍历，再从每个room_url中获取href，传入到get_one_page_html(room_url_href)中进行解析。

（二）没有写第76行的if语句，我默认get_one_page_html(room_url_href)返回的room_html不为空，因此出现multiprocessing.pool.RemoteTraceback报错：

 上图中显示markup为None情况下报错，点击蓝色"F:ProgramFilesanaconda3libsite-packagess4\__init__.py"发现markup为room_html，即部分room_html出现None情况。要解决这个问题，必须让代码跳过room_html is None的情况，因此添加 if 语句解决了这个问题。

最终成功爬取某租房公寓深圳市258页共4755条租房信息，为下一步进行数据分析做准备。

 其中单条信息：