image
学习python爬虫一周多了，看了看练手例子，突然看到链家网的二手房成交数据很值得去抓取下，也正好看看房价走势
因为最近在学习scrapy，所以就用scrapy和xpath来抓取，抓取的数据就存MySQL数据库中，方便以后查看。
抓取之前得先去分析下链家网二手房成交量页面，一看额。。。
image
这个价格
2**万是怎么回事，说实话刚看到这个页面的时候觉得价格得去APP里查看，这还抓**(TM...)啊,不过用开发者工具仔细看了下页面，发现了一个好东西https://hz.lianjia.com/chengjiao/103102419296.html,点进去发现原来如此，这时突然觉得链家好low啊
意外发现的链接
点进去的网页
心里突然有点小激动哈！
image
正式开始，我们的思路是首先去列表页把隐藏的详情页，提取出来，然后进详情页，具体的抓取了，抓取的代码相对简单：
class Lianjiaspider(scrapy.Spider):
name = 'lianjia1'
allowed_domains = ['hz.lianjia.com']
start_urls = []
regions = {'xihu': '西湖',
'xiacheng': '下城',
'jianggan': '江干',
'gongshu': '拱墅',
'shangcheng': '上城',
'binjiang': '滨江',
'yuhang': '余杭',
'xiaoshan': '萧山',
'xiasha': '下沙'}
for region in list(regions.keys()):
for i in range(1, 11):
start_urls.append('https://hz.lianjia.com/chengjiao/' + region + '//pg' + str(i) + "/")
def parse(self, response):
#把隐藏的详情HTML拿出来
li_item = response.xpath('//ul[@class="listContent"]')
for li in li_item:
hrefs = li.xpath('//a[@class="img"]/@href').extract()
for href in hrefs:
#进入详情，继续抓
yield scrapy.Request(url=href, callback=self.more, dont_filter=True)
进入隐藏的HTML挨个抓取
def more(self, response):
item = LianjiaItem()
info1 = ''
# 地区
area = response.xpath('//section[1]/div[1]/a[3]/text()').extract()[0]
item['region'] = area.replace("二手房成交价格", "")
# 小区名
community = response.xpath('//title/text()').extract()[0]
item['community'] = community[:community.find(" ", 1, len(community))]
# 成交时间
deal_time = response.xpath('//div[@class="wrapper"]/span/text()').extract()[0]
item['deal_time'] = deal_time.replace("链家成交", "").strip()
# 总价
item['total_price'] = response.xpath('//span[@class="dealTotalPrice"]/i/text()').extract()[
0] + '万'
# 单价
item['unit_price'] = response.xpath('//div[@class="price"]/b/text()').extract()[0] + '元/平'
# 户型
introContent = response.xpath('//div[@class="content"]/ul/li/text()').extract()
item['style'] = introContent[0].strip()
# 楼层
item['floor'] = introContent[1].strip()
# 大小
item['size'] = introContent[2].strip()
# 朝向
item['orientation'] = introContent[6].strip()
# 建成年代
item['build_year'] = introContent[7].strip()
# 装修情况
item['decoration'] = introContent[8].strip()
# 产权年限
item['property_time'] = introContent[12].strip()
# 电梯配备
item['elevator'] = introContent[13].strip()
# 其他周边等信息
infos = response.xpath('//div[@class="content"]/text()').extract()
if len(infos) != 0:
for info in infos:
info = "".join(info.split())
info1 += info
item['info'] = info1
else:
item['info'] = '暂无信息'
return item
在这里我只抓取了1到10页的内容，如果大家想抓全部的内容的话还得在抓取之前，先把总页数先抓过来，也不一定都是100，xpath是
//div[@class="page-box house-lst-page-box"]/@page-data
得到的数据是：{"totalPage":87,"curPage":1}类似这样的信息，具体大家再把87提取出来就可以了
image
抓取过程中可以看到日志：
image
接下来就是把抓取的数据存进数据库，说实话我是做android开发的，对于数据库不是很懂(还想着直接存txt嘿嘿，其实就是懒不想去看)，搞了半天才搞好，对于python和数据库链接，我用的是peewee，一个简单、轻巧的 Python ORM。研究了文档半天突然又发现这咋和scrapy一起用啊，没事继续研究,发现也简单。
image
新建一个model
# -*- coding: utf-8 -*-
from peewee import *
db = MySQLDatabase('lianjia', host='localhost', port=3306, user='root', passwd='12345678',
charset='utf8')
# define base model
class BaseModel(Model):
class Meta:
database = db
class LianjiaInfo(BaseModel):
region = CharField()
community = CharField()
deal_time = CharField()
total_price = CharField()
unit_price = CharField()
style = CharField()
floor = CharField()
size = CharField()
orientation = CharField()
build_year = CharField()
decoration = CharField()
property_time = CharField()
elevator = CharField()
info = TextField()
db.connect()
db.create_tables([LianjiaInfo], safe=True)
在pipelines.py中直接插入数据
LianjiaInfo.create(region=item['region'],community=item['community'],deal_time=item['deal_time'],
total_price=item['total_price'],unit_price=item['unit_price'],style=item['style'],
floor=item['floor'], size=item['size'],orientation=item['orientation'],
build_year=item['build_year'],decoration=item['decoration'],property_time=item['property_time'],
elevator=item['elevator'],info=item['info'])
ok看看结果：一共2516条数据，按理说一页30条，10页9个区有2700条数据，还有186条数据不见了，恕我学习python爬虫没多久实在是不理解
这是一部分数据
全部代码放在github上，感兴趣的伙伴可以clone下看看
