位置: IT常识 - 正文

python爬取网站数据(含代码和讲解)(python爬取网站数据毕业论文)

编辑:rootadmin
python爬取网站数据(含代码和讲解)

推荐整理分享python爬取网站数据(含代码和讲解)(python爬取网站数据毕业论文),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:Python爬取网站数据库技巧,python爬取网站数据并导入excel,python爬取网站数据毕业论文,python爬取网站数据,python爬取网站数据并做成表格,python爬取网站数据,python爬取网站数据,python爬取网站数据,内容如对您有帮助,希望把文章链接给更多的朋友!

提示:本次爬取是利用xpath进行,按文章的顺序走就OK的;

文章目录

前言

一、数据采集的准备

1.观察url规律

2.设定爬取位置和路径(xpath)

二、数据采集

1. 建立存放数据的dataframe

2. 开始爬取

3. 把数据导出成csv表格

总结


前言

这次爬取的网站是房天下网站;

其中包含很多楼盘信息:https://newhouse.fang.com/house/s/b81-b91/

我在网站上进行了一步筛选,即选取北京及北京周边的房源,各位要是想爬取其他城市的房源信息也很简单,改一下url信息即可。

一、数据采集的准备1.观察url规律

观察到北京及周边地区的房源有很多网页,翻几页就能发现url的规律:

网址就是:https://newhouse.fang.com/house/s/  +  b81-b9X  +  /   ;其中X是页码

 利用for循环遍历所有网页:

for i in range(33): # 每页20个小区,共648个小区 url = 'https://newhouse.fang.com/house/s/b81-b9' + str(i+1) + '/'

pip 安装fake_useragent库:

fake-useragent可以伪装生成headers请求头中的User Agent值,将爬虫伪装成浏览器正常操作。

!pip install fake_useragent

导入接下来会用到的包: 

## 导包from lxml import etreeimport requestsfrom fake_useragent import UserAgentimport pandas as pdimport randomimport timeimport csv设置请求参数:需要大家替换的有'cookie'和'referer'两项的值:python爬取网站数据(含代码和讲解)(python爬取网站数据毕业论文)

'cookie':每次访问网站服务器的时候,服务器都会在本地设置cookie,表明访问者的身份。记得每次使用时,都要按照固定方法人工填入一个 cookie。

 'referer':请求参数,标识请求是从哪个页面过来的。

# 设置请求头参数:User-Agent, cookie, refererheaders = { 'User-Agent' : UserAgent().random, 'cookie' : "global_cookie=kxyzkfz09n3hnn14le9z39b9g3ol3wgikwn; city=www; city.sig=OGYSb1kOr8YVFH0wBEXukpoi1DeOqwvdseB7aTrJ-zE; __utmz=147393320.1664372701.10.4.utmcsr=mp.csdn.net|utmccn=(referral)|utmcmd=referral|utmcct=/mp_blog/creation/editor; csrfToken=KUlWFFT_pcJiH1yo3qPmzIc_; g_sourcepage=xf_lp^lb_pc'; __utmc=147393320; unique_cookie=U_bystp5cfehunxkbjybklkryt62fl8mfox4z*3; __utma=147393320.97036532.1606372168.1664431058.1664433514.14; __utmt_t0=1; __utmt_t1=1; __utmt_t2=1; __utmt_t3=1; __utmt_t4=1; __utmb=147393320.5.10.1664433514", # 设置从何处跳转过来 'referer': 'https://newhouse.fang.com/house/s/b81-b91/'}

具体更改方法请见链接:

【腾讯文档】'cookie'和 'referer'的更改方法:https://docs.qq.com/doc/DR2RzUkJTQXJ5ZGt6

只能走链接了,一直审核不过555~ 

2.设定爬取位置和路径(xpath)

因为爬取数据主要依托于'目标数据所在位置的确定’,所以一定先要搞清楚目标数据的位置(位于div的哪一块);

先发送请求: 

url = 'https://newhouse.fang.com/house/s/b81-b91/'# 首页网址URLpage_text = requests.get(url=url, headers=headers).text# 请求发送tree = etree.HTML(page_text)#数据解析

我想爬取的数据主要就是:楼盘名称、评论数、房屋面积、详细地址、所在区域、均价 5项数据。

代码已经贴在下面了,具体方法描述还是走个链接: 

【腾讯文档】获取具体爬取位置的讲解https://docs.qq.com/doc/DR3BFRW1lVGFRU0Na

# 小区名称name = [i.strip() for i in tree.xpath("//div[@class='nlcd_name']/a/text()")]print(name)print(len(name))# 评论数commentCounts = tree.xpath("//span[@class='value_num']/text()")print(commentCounts)print(len(commentCounts))# 房屋面积buildingarea = [i.strip() for i in tree.xpath("//div[@class='house_type clearfix']/text()")]print(buildingarea)print(len(buildingarea))# 详细地址detailAddress = tree.xpath("//div[@class='address']/a/@title")print(detailAddress)print(len(detailAddress))# 所在区district = [i.strip() for i in tree.xpath("//div[@class='address']//span[@class='sngrey']/text()")]print(district)print(len(district))# 均价num = tree.xpath("//div[@class='nlc_details']/div[@class='nhouse_price']/span/text() | //div[@class='nlc_details']/div[@class='nhouse_price']/i/text()")unit = tree.xpath("//div[@class='nlc_details']/div[@class='nhouse_price']/em/text()")price = [i+j for i,j in zip(num, unit)]print(price)print(len(price))

此时采集到的数据还包含着:[]方括号、—横杠、“平米”等符号或者单位,所以要对数据进行简单的split处理,把真正需要的数据提取出来:

# 评论数处理commentCounts = [int(i.split('(')[1].split('条')[0]) for i in commentCounts]print(commentCounts)# 详细地址处理detailAddress = [i.split(']')[1] for i in detailAddress]print(detailAddress)# 所在区字段处理district = [i.split('[')[1].split(']')[0] for i in district]print(district)# 房屋面积处理t = []for i in buildingarea: if i != '/' and i != '': t.append(i.split('—')[1].split('平米')[0])print(t)print(len(t))二、数据采集1. 建立存放数据的dataframedf = pd.DataFrame(columns = ['小区名称', '详细地址', '所在区', '均价', '评论数'])df2. 开始爬取

这里图方便就只爬取了前10页,因为后面的房源就经常少信息,要么没有面积信息,要么没有所在区域。 

for k in range(10): url = 'https://newhouse.fang.com/house/s/b81-b9' + str(k+1) + '/' page_text = requests.get(url=url, headers=headers).text #请求发送 tree = etree.HTML(page_text) #数据解析 # 小区名称 name = [i.strip() for i in tree.xpath("//div[@class='nlcd_name']/a/text()")] # 评论数 commentCounts = tree.xpath("//span[@class='value_num']/text()") # 详细地址 detailAddress = tree.xpath("//div[@class='address']/a/@title") # 所在区 district = [i.strip() for i in tree.xpath("//div[@class='address']//text()")] # 均价 num = tree.xpath("//div[@class='nlc_details']/div[@class='nhouse_price']/span/text() | //div[@class='nlc_details']/div[@class='nhouse_price']/i/text()") unit = tree.xpath("//div[@class='nlc_details']/div[@class='nhouse_price']/em/text()") price = [i+j for i,j in zip(num, unit)] #评论数处理 commentCounts = [int(i.split('(')[1].split('条')[0]) for i in commentCounts] #详细地址处理 tmp1 = [] for i in detailAddress: if ']' in i: tmp1.append(i.split(']')[1]) continue tmp1.append(i) detailAddress = tmp1 #所在区处理 tmp2 = [] for i in district: if ']' in i and '[' in i: tmp2.append(i.split(']')[0].split('[')[1]) district = tmp2 dic = {'小区名称':name, '详细地址':detailAddress, '所在区':district, '均价':price, '评论数':commentCounts} df2 = pd.DataFrame(dic) df = pd.concat([df,df2], axis=0) print('第{}页爬取成功, 共{}条数据'.format(k+1, len(df2)))print('全部数据爬取成功')3. 把数据导出成csv表格df.to_csv('北京小区数据信息.csv',index=None)

总结

说实话,本文使用的爬取方法简单而且信息正确,但是存在一些不足,比如面对楼盘的部分信息空缺时,就无法按照null来采集,而是会报错,所以我现有的解决方法就是在循环中人工去设置条件,跳过空缺信息。

我会继续优化这个方法的~

本文链接地址:https://www.jiuchutong.com/zhishi/299051.html 转载请保留说明!

上一篇:从零开始,三分钟内用Python快速自建一个私有化 ChatGpt 聊天机器人网站(从零开始文章)

下一篇:Vue3中 内置组件 Teleport 详解(vue的内置组件)

  • 两页文档,如何单页显示(两页文档如何删除一页)

    两页文档,如何单页显示(两页文档如何删除一页)

  • 华为10pus与荣耀8x区别(华为荣耀8和华为p10哪个好)

    华为10pus与荣耀8x区别(华为荣耀8和华为p10哪个好)

  • 抖音点赞会耗内存吗(抖音点赞会耗内存吗知乎)

    抖音点赞会耗内存吗(抖音点赞会耗内存吗知乎)

  • 苹果6s还原后激活出错(苹果6s还原后激活未能完成,请恢复手机)

    苹果6s还原后激活出错(苹果6s还原后激活未能完成,请恢复手机)

  • 新开网店没有访客也没有销量怎么办(网店没有人访问怎么办)

    新开网店没有访客也没有销量怎么办(网店没有人访问怎么办)

  • 美版11promax支持双卡吗(美版11promax支持5g吗)

    美版11promax支持双卡吗(美版11promax支持5g吗)

  • 华为手机怎么才能使用谷歌商店(华为手机怎么才能不灭屏)

    华为手机怎么才能使用谷歌商店(华为手机怎么才能不灭屏)

  • 华为手机铃声总是默认(华为手机铃声总是变回默认铃声)

    华为手机铃声总是默认(华为手机铃声总是变回默认铃声)

  • 有什么软件可以把视频拼在一起(有什么软件可以赚钱)

    有什么软件可以把视频拼在一起(有什么软件可以赚钱)

  • 2.0ghz八核相当于骁龙多少(2.0ghz八核相当于苹果a几)

    2.0ghz八核相当于骁龙多少(2.0ghz八核相当于苹果a几)

  • 华为畅连通话收电话费吗(华为畅连通话接听收费吗)

    华为畅连通话收电话费吗(华为畅连通话接听收费吗)

  • 苹果xsmax边框划痕怎么修复(苹果xs max边框)

    苹果xsmax边框划痕怎么修复(苹果xs max边框)

  • 如何检查ipad电池损耗(如何检查ipad电池健康)

    如何检查ipad电池损耗(如何检查ipad电池健康)

  • 小米手环监控睡眠原理(小米手环监控睡觉能用吗)

    小米手环监控睡眠原理(小米手环监控睡觉能用吗)

  • 微信二维码收款名字怎么改(微信二维码收款可以查到对方信息吗)

    微信二维码收款名字怎么改(微信二维码收款可以查到对方信息吗)

  • 手机视频怎么传到车上(手机视频怎么传到u盘里)

    手机视频怎么传到车上(手机视频怎么传到u盘里)

  • 想删除微信好友怎么办(想删除微信好友但又碍于面子)

    想删除微信好友怎么办(想删除微信好友但又碍于面子)

  • PS怎么处理全景照片的尺寸(ps怎么处理全景图)

    PS怎么处理全景照片的尺寸(ps怎么处理全景图)

  • reno2是5g手机吗(reno2z支持5g)

    reno2是5g手机吗(reno2z支持5g)

  • 华为手机数据怎么转移到内存卡(华为手机数据怎样导入苹果手机)

    华为手机数据怎么转移到内存卡(华为手机数据怎样导入苹果手机)

  •  小米8透明版就是探索版吗(小米8 透明版)

    小米8透明版就是探索版吗(小米8 透明版)

  • 华为p20无线投屏到电脑(华为p20无线投屏游戏)

    华为p20无线投屏到电脑(华为p20无线投屏游戏)

  • 电脑任务栏图标变成白色文件(电脑任务栏图标怎么移到左边)

    电脑任务栏图标变成白色文件(电脑任务栏图标怎么移到左边)

  • 企业办理纳税手续需要带什么材料
  • 现代服务印花税属于哪项
  • 幼儿园经营支出指什么
  • 离职员工个税申报时员工状态依然是雇员
  • 分公司可以独立签约吗
  • 机票行程单改成发票可以报销吗
  • 公司的会议议程怎么写
  • 中小企业增值税税率
  • 工资结算汇总表会计科目
  • 投入的流动资金函怎么写
  • 会计凭证整理的要求有哪些
  • 发现以前年度少计提税金
  • 以前年度取得假发票账务处理
  • 企业收到委托开发软件的货款如何记账?
  • 外出参加会议费用怎么算
  • 零售环节销售金额标准
  • 房屋租赁合同样本书
  • 注册资本增资印花税减半
  • 房产印花税缴纳
  • 移动电子发票怎么发送到邮箱
  • 教育费附加计算公式
  • 营改增后房地产企业增值税如何核算
  • 企业出售固定资产取得的净收益应列入的利润表项目是
  • 验资报告办理一般需要多久时间
  • 银行承兑贴现到哪里去了
  • 电梯管理费属什么类别
  • 金税盘服务费计入什么会计科目
  • 亏损企业季度盈利企业所得税怎么预缴?
  • 基本户收到个人款项的分录
  • 英雄联盟怎么改左键移动
  • 营运资金主要包括什么
  • windows11 缩放
  • 如何设置让电脑运行更快
  • Uncaught TypeError: XXX is not a function问题解决方法
  • 华为鸿蒙系统看PDF文件会不多次存
  • 出口企业免抵退不得抵扣进项
  • yii2带搜索功能的下拉框实例详解
  • 如何快速搭建前端界面
  • nvm for window
  • 公司向股东个人借款的会计分录
  • 公司5个印章都刻错了
  • 发票2种
  • zabbix安装部署
  • mongodb添加用户并授权
  • 以前年度亏损要调整吗
  • 应付职工薪酬账户的明细账户有
  • 物业费可税前扣除吗
  • 汇算清缴纳税调整需要做账吗
  • 如何做一份有效的面包
  • 对公账户转私人账户
  • 期末需要结账的账户
  • 物业公司维修服务范围
  • 股本权益性投资和股权投资有区别吗
  • 发票联遗失的证明怎么开
  • 总资产报酬率的利息支出是财务费用吗
  • 带折扣的发票如何开具
  • 关于园林绿化经济的论文
  • 缴纳工会经费如何记账
  • oracle的账户
  • windows禁用usb口
  • win8什么时候停止更新
  • win7系统怎么打开开机启动项
  • 怎么用苹果电脑打印照片
  • linux进程详解
  • win7如何打开windows功能
  • windows修复失败
  • Android从零单排02_Eclipse搭建Android环境01
  • python怎么运作
  • opengl中点画线算法
  • 搭建nodejs
  • nodejs教学视频
  • nodejs 函数
  • unity怎么导入3d模型
  • 深入理解计算机系统 电子书
  • 安卓手机 监听功能
  • python 举例
  • javastudio
  • 广州地税官网
  • 湖北税票真伪查询
  • 北京朝阳国家税务总局
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设