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)

  • 中国移动退订流量包怎么退订(中国移动退订流量套餐发什么短信)

    中国移动退订流量包怎么退订(中国移动退订流量套餐发什么短信)

  • ps五角星形状在哪里(ps中五角星工具怎么弄)

    ps五角星形状在哪里(ps中五角星工具怎么弄)

  • 微信分身可以卸载吗(微信分身卸载后怎么恢复)

    微信分身可以卸载吗(微信分身卸载后怎么恢复)

  • 淘宝是马云创建的吗(马云当初建淘宝的初衷是什么)

    淘宝是马云创建的吗(马云当初建淘宝的初衷是什么)

  • mate30自带膜是什么膜(mate30自带的手机膜需不需要换)

    mate30自带膜是什么膜(mate30自带的手机膜需不需要换)

  • preos模式是什么东西(prep模式)

    preos模式是什么东西(prep模式)

  • 苹果11听筒声音小解决方法(苹果11听筒声音突然变小)

    苹果11听筒声音小解决方法(苹果11听筒声音突然变小)

  • 屏蔽双绞线和非屏蔽双绞线的主要差异是什么(屏蔽双绞线和非屏蔽双绞线的特点)

    屏蔽双绞线和非屏蔽双绞线的主要差异是什么(屏蔽双绞线和非屏蔽双绞线的特点)

  • 微信对话框怎么改透明(微信对话框怎么放大)

    微信对话框怎么改透明(微信对话框怎么放大)

  • 苹果状态栏一直显示飞行模式(苹果状态栏一直转圈)

    苹果状态栏一直显示飞行模式(苹果状态栏一直转圈)

  • 微信正在输入中什么时候显示(微信正在输入中可以关闭吗)

    微信正在输入中什么时候显示(微信正在输入中可以关闭吗)

  • 小米无线充电手机型号(小米无线充电手机)

    小米无线充电手机型号(小米无线充电手机)

  • 苹果手机短信带个叹号(苹果手机短信带月牙是怎么回事)

    苹果手机短信带个叹号(苹果手机短信带月牙是怎么回事)

  • 屏幕使用时间灰色代表什么(屏幕使用时间灰色条柱)

    屏幕使用时间灰色代表什么(屏幕使用时间灰色条柱)

  • redmi小爱音箱play怎么使用(redmi小爱音箱play蓝牙连接)

    redmi小爱音箱play怎么使用(redmi小爱音箱play蓝牙连接)

  • iphone的电池最大容量低于多少不能使用(iphone的电池最大容量掉的快是什么原因)

    iphone的电池最大容量低于多少不能使用(iphone的电池最大容量掉的快是什么原因)

  • 为什么优酷电脑版看不了(为什么优酷电脑端没有帧享)

    为什么优酷电脑版看不了(为什么优酷电脑端没有帧享)

  • 充电器5v1a和5v2a区别(充电器5v1a和5v2a那个充电快)

    充电器5v1a和5v2a区别(充电器5v1a和5v2a那个充电快)

  • 没有取卡器怎么取卡(没有取卡器怎么把华为儿童手表后盖打开)

    没有取卡器怎么取卡(没有取卡器怎么把华为儿童手表后盖打开)

  • 怎么为标题添加脚注(怎么为标题添加方框)

    怎么为标题添加脚注(怎么为标题添加方框)

  • 闲鱼卖家不发货怎么办(闲鱼卖家不发货申请退款卖家不理)

    闲鱼卖家不发货怎么办(闲鱼卖家不发货申请退款卖家不理)

  • 红米应用怎么移到sd卡(红米应用怎么移动)

    红米应用怎么移到sd卡(红米应用怎么移动)

  • 小米8se是什么接口(小米8se是啥)

    小米8se是什么接口(小米8se是啥)

  • 身份证可以放在手机套里面吗(身份证可以放在手机壳里面吗)

    身份证可以放在手机套里面吗(身份证可以放在手机壳里面吗)

  • 手机应用不显示在桌面(手机应用不显示名称怎么设置)

    手机应用不显示在桌面(手机应用不显示名称怎么设置)

  • 申报个税后发生扣工资
  • 印花税申报表计税依据怎么填
  • 企业名称税号
  • 银行提供资金
  • 附加税减免吗
  • 城建税纳税申报表
  • 房地产公司预分红犯法吗
  • 包工包料和包清工
  • 结转库存商品会计分录
  • 打官司败诉承担的费用
  • 不动产转让费用咋算
  • 发票勾选没有确认怎么办
  • 异地施工需要缴纳什么税
  • 部队属于企事业单位吗
  • 公司对公账户可以转私人账户多久到账
  • 物业营改增什么时候开始
  • 资源税纳税期限按月还是按季
  • 税控盘提示未抄报税
  • 高新技术企业研发费
  • 增值税账面和实际缴纳不平,怎样调整
  • 不是公司员工差评怎么写
  • 在建工程的二级明细的讲解
  • 产品试用装怎么做会计分录
  • 如何把文档转换成二维码
  • 收到银行承兑汇票的账务处理
  • 发票已到货未到会计处理
  • vue适配pc
  • php静态缓存
  • yii2框架的优缺点
  • php如何调用function
  • 2023年会出什么车
  • html怎么用java
  • thinkphp 分页
  • 短信php源码
  • es6新增了什么
  • 政府补助为什么是递延收益
  • 兼职属于劳务关系吗
  • 对公账户分类及区别
  • 理财产品分红和收益比例
  • 个体户怎么交税?
  • 一般纳税人公司开普票几个税点?
  • 安全生产费用收取方案
  • 技术转让费如何收取合理
  • 抵账协议上可以签字吗
  • 残保金缴纳额计算公式
  • 房产契税什么时候退税
  • 内账收入按含税还是不含税入
  • 房租没有发票如何交税
  • 机票改签手续费能报销吗
  • 事业单位财务报销制度和流程
  • 弥补亏损的会计处理
  • 房地产企业资产负债率行业平均值
  • Windows下使用gccgo
  • sqlserver1053怎么解决
  • 电脑开机时进入安全模式怎么退出
  • centos设置hostname
  • win7系统打开浏览器后突然卡住了
  • ubuntu zmq
  • regsync.exe - regsync是什么进程 有什么用
  • macbook 如何设置safari的搜索引擎
  • shstart.exe - shstart是什么进程 有什么用
  • centos进入指定目录
  • linux打包命令tar打包目录结构
  • redhat下载地址
  • win10系统自带虚拟机无法启
  • centos安装命令yum
  • js导入图片
  • javascript零基础
  • Expand、Fasthelp、Fc命令的用法
  • 自动重启服务脚本
  • 命令行net
  • 查找第一个字符
  • jQuery中通过ajax的get()函数读取页面的方法
  • fastdwg插件
  • div怎么求
  • jquery的实现原理
  • jquery deferred对象
  • 湖北电子网上税务怎么交
  • 浙江国地税申报网
  • 附加税申报表怎么做
  • 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