【Python爬虫系列】Python 爬取搜房网二手房数据

 本文简单介绍如何使用Python爬取搜房网二手房数据，并保存到MySQL数据库以备深入分析和应用。

 Python爬虫有很多第三方库或者框架可使用，本文使用到的库主要有 requests、BeautifulSoup4、MySQLdb。

闲话少说，直接上代码，相关说明已经在代码中作了说明和注释。

Python代码：

# -*- coding:utf-8 -*-
############################################################################
'''
# 程序：上海搜房网爬虫
# 功能：抓取上海搜房网二手房在售、成交数据
# 创建时间：2017/01/03
# 更新历史：2017/01/07 增加多城市处理、随机Header;
#                      增加爬取城市URL信息;封装为类，补充注释和日志
#
# 使用库：requests、BeautifulSoup4、MySQLdb
# 作者：yuzhucu
'''
#############################################################################
import requests
from bs4 import BeautifulSoup
import lxml
import time
import random
import MySQLdb

def randHeader():
'''
随机生成User-Agent
:return:
'''
head_connection = ['Keep-Alive', 'close']
head_accept = ['text/html, application/xhtml+xml, */*']
head_accept_language = ['zh-CN,fr-FR;q=0.5', 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3']
head_user_agent = ['Opera/8.0 (Macintosh; PPC Mac OS X; U; en)',
'Opera/9.27 (Windows NT 5.2; U; zh-cn)',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Win64; x64; Trident/4.0)',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)',
'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E)',
'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E; QQBrowser/7.3.9825.400)',
'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; BIDUBrowser 2.x)',
'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3',
'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12',
'Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1',
'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.12) Gecko/20080219 Firefox/2.0.0.12 Navigator/9.0.0.6',
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.95 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; rv:11.0) like Gecko)',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0 ',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Maxthon/4.0.6.2000 Chrome/26.0.1410.43 Safari/537.1 ',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.92 Safari/537.1 LBBROWSER',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.75 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/3.0 Safari/536.11',
'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0'
]
result = {
'Connection': head_connection[0],
'Accept': head_accept[0],
'Accept-Language': head_accept_language[1],
'User-Agent': head_user_agent[random.randrange(0, len(head_user_agent))]
}
return result

def getCurrentTime():
# 获取当前时间
return time.strftime('[%Y-%m-%d %H:%M:%S]', time.localtime(time.time()))

def getURL(url, tries_num=50, sleep_time=0, time_out=10,max_retry = 50):
'''
这里重写get函数，主要是为了实现网络中断后自动重连，同时为了兼容各种网站不同的反爬策略及，通过sleep时间和timeout动态调整来测试合适的网络连接参数；
通过isproxy 来控制是否使用代理，以支持一些在内网办公的同学
:param url:
:param tries_num:  重试次数
:param sleep_time: 休眠时间
:param time_out: 连接超时参数
:param max_retry: 最大重试次数，仅仅是为了递归使用
:return: response
'''
sleep_time_p = sleep_time
time_out_p = time_out
tries_num_p = tries_num
try:
res = requests.Session()
if isproxy == 1:
res = requests.get(url, headers=header, timeout=time_out, proxies=proxy)
else:
res = requests.get(url, headers=header, timeout=time_out)
res.raise_for_status()  # 如果响应状态码不是 200，就主动抛出异常
except requests.RequestException as e:
sleep_time_p = sleep_time_p + 10
time_out_p = time_out_p + 10
tries_num_p = tries_num_p - 1
# 设置重试次数，最大timeout 时间和 最长休眠时间
if tries_num_p > 0:
time.sleep(sleep_time_p)
print getCurrentTime(), url, 'URL Connection Error: 第', max_retry - tries_num_p, u'次 Retry Connection', e
return getURL(url, tries_num_p, sleep_time_p, time_out_p,max_retry)
return res

class MySQL:
# 获取当前时间
def getCurrentTime(self):
return time.strftime('[%Y-%m-%d %H:%M:%S]', time.localtime(time.time()))
# 数据库初始化
def _init_(self, ip, username, pwd, schema):
try:
self.db = MySQLdb.connect(ip, username, pwd, schema)
print self.getCurrentTime(), u"MySQL DB Connect Success"
self.cur = self.db.cursor()
except MySQLdb.Error, e:
print self.getCurrentTime(), u"MySQL DB Connect Error :%d: %s" % (e.args[0], e.args[1])
# 插入数据
def insertData(self, table, my_dict):
try:
self.db.set_character_set('utf8')
cols = ', '.join(my_dict.keys())
values = '"," '.join(my_dict.values())
sql = "replace INTO %s (%s) VALUES (%s)" % (table, cols, '"' + values + '"')
try:
result = self.cur.execute(sql)
insert_id = self.db.insert_id()
self.db.commit()
# 判断是否执行成功
if result:
return insert_id
else:
return 0
except MySQLdb.Error, e:
# 发生错误时回滚
self.db.rollback()
print self.getCurrentTime(), u"Data Insert Failed: %d: %s" % (e.args[0], e.args[1])
except MySQLdb.Error, e:
print self.getCurrentTime(), u"MySQLdb Error:%d: %s" % (e.args[0], e.args[1])

class SoufangSpider():
'''
这里封装为类主要是便于管理，函数太多了修改代码切换麻烦
'''
def getCurrentTime(self):
# 获取当前时间，主要用于记录日志
return time.strftime('[%Y-%m-%d %H:%M:%S]', time.localtime(time.time()))

def getCityURL(self,fang_url):
'''
从给定的主页登录，获取一级城市URL链接信息；剔除香港和更多城市链接
:param fang_url:给定的主页登录，也可以从任一城市或者区域入口进入
:return:返回城市名称及URL信息
'''
res = getURL(fang_url)
res.encoding = 'gbk'
soup = BeautifulSoup(res.text, 'html.parser')
result = []
gio_district = soup.find('div', class_="city20141104nr")
try:
for link in gio_district.find_all('a'):
district = {}
district['base_url'] = link.get('href')
district['city'] = link.get_text()
#print  district['code'],district['name']
#剔除香港和更多城市链接
if district['base_url'] not in [u'http://www.hkproperty.com/',u'/newsecond/esfcities.aspx']:
result.append(district)
except  Exception, e:
print  self.getCurrentTime(), 'getRegions', fang_url, u"Exception:%s" % (e.message)
return result
#print result
return result

def getRegions(self,fang_url):
'''
根据城市链接入口，获取每个城市的一级行政区域，因网站默认只显示100页，
在数量量大的情况下，可以细化条件以扩大爬取数据量；
搜房网字符集编码为GBK，否则中文乱码
:param fang_url:城市链接入口
:return:返回一级区域名称及URL信息
'''
res = getURL(fang_url)
res.encoding = 'gbk'
soup = BeautifulSoup(res.text, 'html.parser')
result = []
gio_district = soup.find('div', cl
cb42
ass_="qxName")
try:
for link in gio_district.find_all('a'):
district = {}
district['code'] = link.get('href')
district['name'] = link.get_text()
# print  district['code'],district['name']
#剔除不限，减少重复数据爬取，因中文乱码，这里用unicode代替
if district['name'] <> u'\u4e0d\u9650':
result.append(district)
except  Exception, e:
print  self.getCurrentTime(), 'getRegions', fang_url, u"Exception:%s" % (e.message)
return result
return result

def getSubRegions(self,fang_url):
'''
从一级行政区域出发，获取二级区域链接，处理方式同一级行政区域
:param fang_url:二级行政区域URL（全拼，需加上城市URL前缀，二级URL已包含一级URL，这个与链家不同）
:return:返回二级区域的名称及URL信息
'''
res = getURL(fang_url)
res.encoding = 'gbk'
soup = BeautifulSoup(res.text, 'html.parser')
result = []
gio_plate = soup.find('p', id="shangQuancontain")
try:
for link in gio_plate.find_all('a'):
district = {}
district['code'] = link.get('href')
district['name'] = link.get_text()
# print  district['code'],district['name']
if district['name'] <> u'\u4e0d\u9650':
result.append(district)
except Exception, e:
print  self.getCurrentTime(), 'getSubRegions', fang_url, u"Exception:%s" % (e.message)
return result
return result

def getSoufangList(self,fang_url, args):
'''
根据传入的网页入口，逐页爬取房源清单信息。并存入MySQL数据库。
这里主要通过BeautifulSoup4 的find、select 抓取网页信息，有个别字段不是标准网页元素，通过select、xpath无法获取所有信息,故多种方式并用。
后续再研究下xpath、css方法抓取网页信息的方法；另个别字段还没有做保准化清洗（如数字和文字没有剥离，可以在数据库中处理更简单些，刚学网页，还不是很熟悉）
:param fang_url:根据传入的URL（可以在城市、一级行政区域、二级行政区域链接入口），搜房网比链家规整，各城市、层级 房源信息格式基本一致，可以公用。
:param args:这里的参数是一个数据，因为房源明细信息不全（如没有包含行政区域等），通过数组封装起来，可以把房源的城市、行政区域、URL入口等一并传入保存至数据库，参数数量又不至于太多
:return: 返回房源详细信息
'''
base_url = args['base_url']
result = {}
res = getURL(fang_url)
res.encoding = 'gbk'
soup = BeautifulSoup(res.text, 'html.parser')
for fang in soup.find_all("dd", class_="info rel floatr"):
try:
result['fang_key'] = fang.select('p')[0].a['href'].strip()
result['city'] = args['city']
result['quyu'] = args['region']
result['bankuai'] = args['subRegion']
result['fang_desc'] = fang.select('p')[0].text.strip()
result['fang_url'] = base_url + fang.select('p')[0].a['href'].strip()
result['huxing'] = fang.select('p')[1].contents[0].strip()
result['louceng'] = fang.select('p')[1].contents[2].strip()
result['chaoxiang'] = fang.select('p')[1].contents[4].strip()
try:
result['age'] = fang.select('p')[1].contents[6].strip()
except Exception as e:
# 建筑年代和朝向可能不全，如缺失先放一样，先确保房源信息完没有丢失
result['age'] = result['chaoxiang']
print self.getCurrentTime(), u"Exception:%s" % (e.message), result['fang_url'], result[
'fang_desc'], 'chaoxiang:', result['chaoxiang'], 'age:', result['age']
result['xiaoqu'] = fang.select('p')[2].span.text.strip()
result['address'] = fang.find('span', 'iconAdress ml10 gray9').get_text()
# result['subway']=fang.find('span','train note').text.strip()
# result['subway']=fang.select('div.mt8.clearfix > div.pt4.floatl > span.train.note')[0].text
# result['subway']=fang.select('div')[0].text.strip()
result['mianji'] = fang.find('div', 'area alignR').get_text().strip()
# result['mianji'] = fang.find('div', 'area alignR').get_text().encode("utf-8").strip().strip('建筑面积').strip()
mianji = fang.find('div', 'area alignR').get_text().encode("utf-8").strip().strip('建筑面积').strip()
# result['mianji']=mianji
# print  type( result['mianji']),type(mianji),type(fang.find('div', 'area alignR').get_text().encode("utf-8").strip().strip('建筑面积').strip())
result['price'] = fang.find('span', 'price').get_text().strip()
result['price_pre'] = fang.select('div.moreInfo > p.danjia.alignR.mt5')[0].get_text().strip()
# print fang.select('div.moreInfo > p.danjia.alignR.mt5')[0].get_text().strip()
result['data_source'] = 'Soufang'
result['updated_date'] = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))
mySQL.insertData('soufang_fang_list', result)
# print result
print self.getCurrentTime(), u'在售：',result['city'], result['quyu'], result['bankuai'], result['xiaoqu'], result['address'], \
result['huxing'], result['louceng'], result['chaoxiang'], result['price'], u'万', result[
'price_pre'], mianji, result['fang_desc']
except Exception as e:
print  self.getCurrentTime(),args['city'],args['region'],args['subRegion'],':', u"Exception:%s" % (e.message), result['fang_url'], result['fang_desc']
return result

def getSoufangMutiCityMain(self,city):
'''
爬取数据入口，刚开始只考虑了单一城市爬取，后来发现搜房网各城市网页结构类似，股修改为按城市爬取。
对每个城市，分别根据一级、二级行政区域逐层循环爬取；每个链接最多只显示100页，通过城市链接+二级区域链接（相对路径）+页码 拼接完整链接；
每页30默认30条记录，每个区域最多显示100页，也就是3000条数据；如果不足100页，直接中断返回下一个区域； 因搜房网数据客户经理在不断刷新，动态链接信息不同时间爬取结果可能不一样，也暂时没有考虑断点续传问题，只能重跑；
一种简单粗暴的方式是可以通过全局参数end_page 来控制最大爬取的页码数（<=100）来避免重复数据； 数据入库也是repalce模式直接更新或者插入
:param city:这里是一个数组，除了传入城市的基本URL外，也可以把其他想要的信息一并传入以做调试和保存数据
:return:NONE
'''
regions = self.getRegions(city['base_url'])
regions.reverse()
while regions:
region = regions.pop()
print self.getCurrentTime(),city['city'],region['name'], ':', 'Scrapy Starting.....'
time.sleep(sleep_time)
subRegions = self.getSubRegions(city['base_url'] + str(region['code']))
subRegions.reverse()
while subRegions:
try:
subRegion = subRegions.pop()
print self.getCurrentTime(), city['city'],region['name'],subRegion['name'], ':', 'Scrapy Starting.....'
# time.sleep(sleep_time)
for i in range(start_page, end_page):
args = {'region': region['name'], 'subRegion': subRegion['name'], 'city': city['city'],
'base_url': city['base_url']}
fang_url = city['base_url'] + subRegion['code'] + 'i3' + str(i)
print self.getCurrentTime(), args['city'], args['region'], args['subRegion'],':', fang_url,':', 'Scrapy Starting...'
#time.sleep(sleep_time)
fang = self.getSoufangList(fang_url, args)
if len(fang) < 1:
print self.getCurrentTime(), city['city'], region['name'],  subRegion[ 'name'],':', ' Scrapy Finished'
break
print self.getCurrentTime(),city['city'], region['name'], subRegion['name'],':',fang_url,':', 'Scrapy Finished'
except Exception, e:
print  self.getCurrentTime(),city['city'], region['name'], subRegion['name'],':', u'Exception:%s' % (e.message)
print self.getCurrentTime(),city['city'], region['name'], ':', 'Scrapy Finished'
print self.getCurrentTime(),city['city'],':' ,' Scrapy Success'

def main():
global mySQL, start_page, end_page, sleep_time, isproxy, proxy, header
mySQL = MySQL()
soufang=SoufangSpider()
mySQL._init_('localhost', 'root', 'root', 'fang')
isproxy = 0  # 如需要使用代理，改为1，并设置代理IP参数 proxy
proxy = {"http": "http://110.37.84.147:8080", "https": "http://110.37.84.147:8080"}#这里需要替换成可用的代理IP
header = randHeader()
start_page = 1
end_page = 101
sleep_time = 0.1
url = 'http://esf.sz.fang.com/'
'''
获取城市列表，并逐个城市爬取；后面有时间研究下多线程并发处理
整个测试下来，发现就上海的爬取比较慢，网络经常中断，其他城市都还好。本地区网络不应该更快么，还是上海的访问量远大于其他城市？
'''
cities = [{'base_url': 'http://esf.sh.fang.com', 'city': u'上海'},
{'base_url': 'http://esf.zz.fang.com', 'city': u'郑州'},
{'base_url': 'http://esf.sz.fang.com', 'city': u'深圳'},
{'base_url': 'http://esf1.fang.com', 'city': u'北京'},
{'base_url': 'http://esf.gz.fang.com', 'city': u'广州'}
]
cities = soufang.getCityURL(url)
for city in cities:
soufang.getSoufangMutiCityMain(city)
if __name__ == "__main__":
main()

MySQL建表脚本：

DROP TABLE IF  EXISTS soufang_fang_list ;
CREATE TABLE IF NOT EXISTS soufang_fang_list (
fang_key varchar(45) NOT NULL,
fang_desc varchar(45) DEFAULT NULL,
fang_url varchar(200) DEFAULT NULL,
price varchar(45) DEFAULT NULL,
price_pre varchar(45) DEFAULT NULL,
xiaoqu varchar(45) DEFAULT NULL,
huxing varchar(45) DEFAULT NULL,
mianji varchar(45) DEFAULT NULL,
quyu varchar(45) DEFAULT NULL,
bankuai varchar(45) DEFAULT NULL,
louceng varchar(45) DEFAULT NULL,
chaoxiang varchar(45) DEFAULT NULL,
age varchar(45) DEFAULT NULL,
subway varchar(45) DEFAULT NULL,
taxfree varchar(45) DEFAULT NULL,
haskey varchar(45) DEFAULT NULL,
col_look varchar(45) DEFAULT NULL,
address varchar(300) DEFAULT NULL,
data_source varchar(300) DEFAULT 'Soufang',
city varchar(45) DEFAULT NULL,
created_date datetime DEFAULT CURRENT_TIMESTAMP,
updated_date datetime DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (fang_key)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;