一、缘 起
要买房，但是大西安现在可谓是一房难求，大家都争先恐后地排队交资料、摇号。截止到现在，笔者已经参与过6个楼盘的摇号/选房，但种种原因，依然没买到合适的房子，无奈，一首 凉~ 凉~ 回荡在心~
。。。。。。
—— 来自《 定时从某网站爬取压缩包 》
在上一篇文章 定时从某网站爬取压缩包 的基础上，这次实现的功能是从房管局信息登记网站爬取数据并写入csv文件。
二、思 路
首先，使用Python urlopen方法获取页面源码
然后，调用Python BeautifulSoup方法库，实现HTML页面数据灵活提取
最后，将提取出来的页面数据写入csv文件并打开
三、说 明
脚本结构
- Python3.6 + BeautifulSoup库 + .bat脚本
- 主脚本为getRegisDatas.py、writeCsv.py为写csv文件的脚本、openCsv.bat为打开csv文件的脚本，爬取的数据写入regisData.csv文件中
四、实 现
先上两张房管局网站
房管局登记网站 - 登记结束页面
房管局登记网站 - 结果公示页面
- getRegisData.py
- 主脚本定义四个函数，分别为：get_soup()、get_page_url()、get_result_url()、get_regis_data()
- 每次运行前会先删除csv文件，再重新生成csv文件并写入数据
- 调用write_csv函数写入数据到csv文件
- 注意：每次运行脚本前确保关闭csv文件，否则csv文件被占用程序会报异常
from autoGetRegisDatas.writeCsv import write_csv
from bs4 import BeautifulSoup
from urllib import request
import os
import re
def get_soup(url):
"""
将页面用BeautifulSoup库处理
:return:
"""
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:59.0) Gecko/20100101 Firefox/59.0"
}
req = request.Request(url, headers=header)
html = request.urlopen(req).read().decode('utf-8')
soup = BeautifulSoup(html, 'html.parser')
return soup
def get_page_url(url):
"""
从登记结束页面爬取所有分页url，存入列表中
:param url:
:return:
"""
page_url = []
paging = get_soup(url).find_all(href=re.compile('page'))
if paging is not []:
for paging_i in range(len(paging)-1):
page_url.append(url.split('xmgs')[0] + paging[paging_i]['href'])
return page_url
def get_result_url(url):
"""
从登记结束页面爬取所有的结果公示url
:return:
"""
result_url = []
result_list = get_soup(url).find_all('span', string='结果公示')
for result_list_i in result_list:
result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])
if get_page_url(url) is not []:
for page_i in get_page_url(url):
result_list = get_soup(page_i).find_all('span', string='结果公示')
for result_list_i in result_list:
result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])
return result_url
def get_regis_data(result_url):
"""
从结果公示页面获取每个楼盘登记的数据
:return:
"""
for result_url_i in result_url:
regis_data = []
gs = get_soup(result_url_i)
house_name = gs.find(string=re.compile('意向登记结果公示')).split(' 意向')[0].strip()
regis_data.append(house_name)
all_data = gs.find_all('font')
for data_i in all_data:
regis_data.append(data_i.string.strip())
write_csv(regis_data)
os.remove('regisData.csv')
url1 = 'http://124.115.228.93/zfrgdjpt/xmgs.aspx?state=4'
url2 = 'http://124.115.228.93/zfrgdjpt/xmgsca.aspx?state=4'
lst = [url1, url2]
write_csv(['项目名', '房源数', '登记数', '资料核验数', '核验通过数', '刚需数', '普通数', '未通过数'])
for lst_i in lst:
get_regis_data(get_result_url(lst_i))
os.system("openCsv.bat")
print('ok!')
-
writeCsv.py
用于给csv文件写爬取的数据
import csv
def write_csv(row_list):
"""
数据写入csv文件
:return:
"""
with open('regisData.csv', 'a', newline='') as csvfile:
writer = csv.writer(csvfile, dialect='excel')
writer.writerow(row_list)
-
openCsv.bat
用于打开regisData.csv文件夹
start %~dp0\regisData.csv
五、最 后
regisData.csv
Git地址：https://gitee.com/freedomlidi/autoGetRegisDatas.git
