在许多电商和互联网金融的公司为了更好地服务用户,他们需要爬虫工程师对用户的行为数据进行搜集、分析和整合,为人们的行为选择提供更多的参考依据,去服务于人们的行为方式,甚至影响人们的生活方式。我们的scrapy框架就是爬虫行业使用的主流框架,房天下二手房的数据采集就是基于这个框架去进行开发的。

  数据采集来源:‘房天下----全国二手房’
  目标数据:省份名、城市名、区域名、房源介绍、房源小区、户型、朝向、楼层、建筑面积、建造时间、单价、楼盘链接

  数据库设计:province、city、area、house四张表

  爬虫spider部分demo:

获取省份、城市信息和链接

  1. #获取省份名字,城市的链接url
  2. def mycity(self,response):
  3. #获得关键节点
  4. links = response.css('#c02 > ul > li')
  5. for link in links:
  6. try:
  7. province_name=link.xpath('./strong/text()').extract_first()
  8. urllinks=link.xpath('./a')
  9. for urllink in urllinks:
  10. city_url=urllink.xpath('./@href').extract_first()
  11. if city_url[-1]=='/':
  12. city_url=city_url[:-1]
  13. yield scrapy.Request(url=city_url,meta={'province_name':province_name,'city_url':city_url},callback=self.area)
  14. except Exception:
  15. pass

获取区域的链接url和信息 

  1. #获取区域的链接url
  2. def area(self,response):
  3. try:
  4. links=response.css('.qxName a')
  5. for link in links[1:]:
  6. area_url=response.url+link.xpath('@href').extract_first()
  7. yield scrapy.Request(url=area_url,meta=response.meta,callback=self.page)
  8. except Exception:
  9. pass

获取楼盘房源的信息

  1. def houselist(self,response):
  2. item={}
  3. city_name = response.css('#list_D02_01 > a:nth-child(3)::text').extract_first()
  4. area_name=response.css('#list_D02_01 > a:nth-child(5)::text').extract_first()
  5. if city_name:
  6. item['city_name']=city_name[:-3]
  7. if area_name:
  8. item['area_name']=area_name[:-3]
  9. links=response.xpath('/html/body/div[3]/div[4]/div[5]/dl')
  10. if links:
  11. for link in links:
  12. try:
  13. item['title']=link.xpath('./dd/p[1]/a/text()').extract_first()
  14. house_info=link.xpath('./dd/p[2]/text()').extract()
  15. if house_info:
  16. item['province_name']=response.meta['province_name']
  17. item['house_type']=link.xpath('./dd/p[2]/text()').extract()[0].strip()
  18. item['floor']=link.xpath('./dd/p[2]/text()').extract()[1].strip()
  19. item['oritenation']=link.xpath('./dd/p[2]/text()').extract()[2].strip()
  20. item['build_time']=link.xpath('./dd/p[2]/text()').extract()[3].strip()[5:]
  21. item['house_name']=link.xpath('./dd/p[3]/a/span/text()').extract_first()
  22. item['house_area']=link.xpath('./dd/div[2]/p[1]/text()').extract_first()
  23. item['per_price']=int(link.xpath('./dd/div[3]/p[2]/text()').extract_first()[:-1])
  24. list_url = link.xpath('./dd/p[1]/a/@href').extract_first()
  25. item['house_url']=response.meta['city_url']+list_url
  26. yield item
  27. except Exception:
  28. pass

此时就可以运行scrapy crawl+爬虫名,我们就可以爬取到网站的信息,但是我们如何使用这些数据呢,那就要通过pipelines将数据插入到数据库中。

爬虫pipelines部分demo:

  1. # -*- coding: utf-8 -*-
  2.  
  3. # Define your item pipelines here
  4. #
  5. # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  6. # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
  7. import pymysql
  8.  
  9. class HousePipeline(object):
  10. def open_spider(self,spider):
  11. self.con=pymysql.connect(user='root',passwd='',db='test',host='localhost',port=3306,charset='utf8')
  12. self.cursor=self.con.cursor(pymysql.cursors.DictCursor)
  13. return spider
  14. def process_item(self, item, spider):
  15. #插入省份表
  16. province_num=self.cursor.execute('select * from home_province where province_name=%s',(item['province_name'],))
  17. if province_num:
  18. province_id=self.cursor.fetchone()['id']
  19. else:
  20. sql='insert into home_province(province_name) values(%s)'
  21. self.cursor.execute(sql,(item['province_name']))
  22. province_id=self.cursor.lastrowid
  23. self.con.commit()
  24. #插入城市表
  25. ##规避不同省份城市重名的情况
  26. city_num=self.cursor.execute('select * from home_city where city_name=%s and province_id=%s',(item['city_name'],province_id))
  27. if city_num:
  28. city_id=self.cursor.fetchone()['id']
  29. else:
  30. sql='insert into home_city(city_name,province_id) values(%s,%s)'
  31. self.cursor.execute(sql,(item['city_name'],province_id))
  32. city_id=self.cursor.lastrowid
  33. self.con.commit()
  34. #插入区域表
  35. ##规避不同城市区域重名的情况
  36. area_num=self.cursor.execute('select * from home_area where area_name=%s and city_id=%s',(item['area_name'],city_id))
  37. if area_num:
  38. area_id=self.cursor.fetchone()['id']
  39. else:
  40. sql = 'insert into home_area (area_name,city_id,province_id)value(%s,%s,%s)'
  41. self.cursor.execute(sql,(item['area_name'],city_id,province_id))
  42. area_id = self.cursor.lastrowid
  43. self.con.commit()
  44. #插入楼盘信息表
  45. house_num=self.cursor.execute('select house_name from home_house where house_name=%s',( item['house_name'],))
  46. if house_num:
  47. pass
  48. else:
  49. sql = 'insert into home_house(title,house_type,floor,oritenation,build_time,house_name,house_area,per_price,house_url,area_id,city_id,province_id) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
  50. self.cursor.execute(sql, (
  51. item['title'], item['house_type'], item['floor'], item['oritenation'], item['build_time'],
  52. item['house_name'], item['house_area'], item['per_price'],item['house_url'], area_id,city_id,province_id,))
  53. self.con.commit()
  54. return item
  55. def close_spider(self,spider):
  56. self.cursor.close()
  57. self.con.close()
  58. return spider

采集数据效果:

  

  

爬虫Scrapy框架运用----房天下二手房数据采集的更多相关文章

  1. python爬虫scrapy框架——人工识别登录知乎倒立文字验证码和数字英文验证码(2)

    操作环境:python3 在上一文中python爬虫scrapy框架--人工识别知乎登录知乎倒立文字验证码和数字英文验证码(1)我们已经介绍了用Requests库来登录知乎,本文如果看不懂可以先看之前 ...

  2. 爬虫scrapy框架之CrawlSpider

    爬虫scrapy框架之CrawlSpider   引入 提问:如果想要通过爬虫程序去爬取全站数据的话,有几种实现方法? 方法一:基于Scrapy框架中的Spider的递归爬取进行实现(Request模 ...

  3. 安装爬虫 scrapy 框架前提条件

    安装爬虫 scrapy 框架前提条件 (不然 会 报错) pip install pypiwin32

  4. 爬虫Ⅱ:scrapy框架

    爬虫Ⅱ:scrapy框架 step5: Scrapy框架初识 Scrapy框架的使用 pySpider 什么是框架: 就是一个具有很强通用性且集成了很多功能的项目模板(可以被应用在各种需求中) scr ...

  5. Python爬虫Scrapy框架入门(2)

    本文是跟着大神博客,尝试从网站上爬一堆东西,一堆你懂得的东西 附上原创链接: http://www.cnblogs.com/qiyeboy/p/5428240.html 基本思路是,查看网页元素,填写 ...

  6. 自己动手实现爬虫scrapy框架思路汇总

    这里先简要温习下爬虫实际操作: cd ~/Desktop/spider scrapy startproject lastspider # 创建爬虫工程 cd lastspider/ # 进入工程 sc ...

  7. 爬虫--Scrapy框架课程介绍

    Scrapy框架课程介绍: 框架的简介和基础使用 持久化存储 代理和cookie 日志等级和请求传参 CrawlSpider 基于redis的分布式爬虫 一scrapy框架的简介和基础使用 a)    ...

  8. 爬虫--Scrapy框架的基本使用

    流程框架 安装Scrapy: (1)在pycharm里直接就可以进行安装Scrapy      (2)若在conda里安装scrapy,需要进入cmd里输入指令conda install scrapy ...

  9. Python网咯爬虫 — Scrapy框架应用

    Scrapy框架       Scrapy是一个高级的爬虫框架,它不仅包括了爬虫的特征,还可以方便地将爬虫数据保存到CSV.Json等文件中.       Scrapy用途广泛,可以用于数据挖掘.监测 ...

随机推荐

  1. 关于tomcat中Servlet对象池

    Servlet在不实现SingleThreadModel的情况下运行时是以单个实例模式,如下图,这种情况下,Wrapper容器只会通过反射实例化一个Servlet对象,对应此Servlet的所有客户端 ...

  2. Oracle启用scott用户

    先查询一下目前数据库是否有scott用户 select username,account_status from dba_users where username like '%SCOTT%'; 如果 ...

  3. java虚拟机工具入门

    jps 能显示现在都有那些java程序运行 C:\Users\Administrator>jps 16964 DeadLockJstack 9172 PULSEI~1.JAR 19392 Jps ...

  4. MMD4Mecanim介绍

    MMD4Mecanim是一位11区大神写的为Unity游戏引擎导入MMD模型的插件,目前依然在持续更新中. 需要Unity4.0以上版本.本教程使用Unity4.6.1(下载请自行百度) 插件君首页: ...

  5. MO_GLOBAL - EBS R12 中 Multi Org 设计的深入研究 (2)

    这是多组织访问的第二篇文章,翻译自Anil Passi的Multi Org R12 我们都知道,在Oracle Release 12中多组织模型(Multi Org)会被改变, 它被叫作多组织访问控制 ...

  6. JAVA内部类_2

    (d)匿名内部类 如果只创建这个类的第一个对象,就无需命名. 由于构造器的名字必须与类名相同,而匿名类没有类名,所以匿名类没有构造器. 取而代之的是将构造器参数传递给超类构造器. 在内部类实现接口的时 ...

  7. 基于MSRDS机器人仿真平台的多机器人PID编队控制算法

    自己调试的编队PID算法,效果也还可以,具体使用教程参考视频链接: http://v.youku.com/v_show/id_XMTUwNjc3NjMyNA 仿真中三个机器人保持编队,做直线运动,队形 ...

  8. C语言之free函数及野指针

    [FROM MSDN && 百科] 原型:  void free(void *ptr); #include<stdlib.h>或#include <malloc.h& ...

  9. 通过一个tomcat端口访问多个tomcat项目 tomcat转发

    需求是这样的,有一个tomcat,是80端口,现在我要通过这个tomcat转发到服务器其他tomcat,其他tomcat的端口不是80.这样做就可以避免这样www.baidu.com:8081的情况. ...

  10. linux:你不知道的echo

    linux的echo命令功能是在显示器上显示一段文字.一般格式为: echo [ -n ] 字符串.参数n是指行尾不换行 echo会将输入的字符串送往标准输出.输出的字符串间以空白字符隔开, 并在最后 ...