Python爬虫框架Scrapy入门（三）爬虫实战：爬取长沙链家二手房

Item Pipeline介绍

Item对象是一个简单的容器，用于收集抓取到的数据，其提供了类似于字典（dictionary-like）的API，并具有用于声明可用字段的简单语法。

Scrapy的Item Pipeline（项目管道）是用于处理数据的组件。

当Spider将收集到的数据封装为Item后，将会被传递到Item Pipeline（项目管道）组件中等待进一步处理。Scrapy犹如一个爬虫流水线，Item Pipeline是流水线的最后一道工序，但它是可选的，默认关闭，使用时需要将它激活。如果需要，可以定义多个Item Pipeline组件，数据会依次访问每个组件，执行相应的数据处理功能。

Item Pipeline的典型应用：
 ·清理数据。
 ·验证数据的有效性。
 ·查重并丢弃。
 ·将数据按照自定义的格式存储到文件中。
 ·将数据保存到数据库中。

  编写自己的Item Pipeline组件其实很简单，它只是一个实现了几个简单方法的Python类。当建立一个项目后，这个类就已经自动创建了。打开项目qidian_hot下的pipelines.py，发现自动生成了如下代码：

class LianjiaPipeline(object):
    def process_item(self, item, spider):
        return item        

LianjiaPipeline是自动生成的Item Pipeline类，它无须继承特定的基类，只需要实现某些特定的方法，如process_item()、open_spider()和close_spider()。注意，方法名不可改变。process_item()方法是Item Pipeline类的核心方法，必须要实现，用于处理Spider爬取到的每一条数据（Item）。它有两个参数：item：待处理的Item对象。spider：爬取此数据的Spider对象。方法的返回值是处理后的Item对象，返回的数据会传递给下一级的Item Pipeline（如果有）继续处理。

爬取长沙链家二手房

https://cs.lianjia.com/ershoufang/

我们爬取二手房的标题、地点、价格以及其他一些房屋基本信息。点击房屋标题进入详情页面，可以查看详细信息。

我们还要爬取详情页面房屋配备电梯情况以及产权年限。

编写爬虫文件

爬虫文件是我们用Scrapy爬虫主要要编写的文件，其作用主要有两个：

1. 向网页发起请求
2. 向其他组件发送响应/数据

我们可以利用命令行scrapy genspider 爬虫名称 网页域名自动生成爬虫文件，也可以手动创建爬虫文件。

这里在spiders子目录文件夹下手动创建一个名为lianjia_spider.py的爬虫文件

导入需要用到的库文件，命名爬虫名称

import scrapy
from scrapy import Request
from lianjia.items import LianjiaItem
class HomespiderSpider(scrapy.Spider):
    name = 'home'

重写start_requests()方法

def start_requests(self):
    url = 'https://cs.lianjia.com/ershoufang/'
    yield Request(url,callback=self.parse)

Request方法的callback参数用于指定爬虫响应的解析方法，默认为parse方法。

解析页面，使用XPath提取数据

打开开发者工具，可以看到与房屋有关的信息都在< div class="info clear" >下面，包括标题、地址、基本信息、价格等。我们首先定位到<div class="info clear">这个节点，然后再在这个节点下提取各种信息。

def parse(self, response):
    roomList = response.xpath('//ul/li/div[@class="info clear"]')

首先提取标题和地点，使用xpath helper这个插件可以很方便编写xpath表达式。

输入xpath表达式，右边会显示提取到的信息，同时网页中对应的信息会高亮，可以验证xpath是否正确。所以我们提取到标题的完整xpath就是：//ul/li/div[@class="info clear"]/div[@class="title"]/a，但是我们之前已经定位到<div class="info clear">这个节点，只需要在这个节点之下的xpath表达式就可以提取标题了。同理，提取位置和其他基本信息。

for oneList in roomList:
    title = oneList.xpath('./div[@class="title"]/a/text()').extract_first()
    place = oneList.xpath('./div[@class="flood"]//a[1]/text()').extract_first()+'- '+oneList.xpath('./div[@class="flood"]//a[2]/text()').extract_first()
    houseInfo = oneList.xpath('./div[@class="address"]/div/text()').extract_first() 

由于房屋的基本信息包含多项以“ | ”分隔的信息：1室1厅 | 39.98平米 | 北 | 精装 | 中楼层(共28层) | 2008年建 | 板楼。我们需要提取其中的户型、面积、楼层、朝向并分别保存：

houseInfoList = houseInfo.split("|")
type = houseInfoList[0]
area = houseInfoList[1]
direction = houseInfoList[2]
floor = houseInfoList[4]

提取单价和总价：

unitPrice = oneList.xpath('./div[@class="priceInfo"]/div[@class="unitPrice"]/span/text()').extract_first()
totalPrice = oneList.xpath('./div[@class="priceInfo"]/div[@class="totalPrice"]/span/text()').extract_first()+oneList.xpath('./div[@class="priceInfo"]/div[@class="totalPrice"]/text()').extract_first()

至此，基本信息都提取完了，接下来需要保存数据，提取详情页面的数据。

使用Item保存数据

打开items.py 建立item成员变量，也就是我们需要提取的信息

import scrapy
class LianjiaItem(scrapy.Item):
    # -*- coding: utf-8 -*-
    title = scrapy.Field()
    place = scrapy.Field()
    type = scrapy.Field()
    area = scrapy.Field()
    direction = scrapy.Field()
    floor = scrapy.Field()
    unitPrice = scrapy.Field()
    totalPrice = scrapy.Field()
    elevator = scrapy.Field()
    propertyYears = scrapy.Field()

回到爬虫文件，初始化item类，并且将提取的信息保存到item中：

item = LianjiaItem()
item["title"] = title
item["place"] = place
item["type"] = type
item["area"] = area
item["direction"] = direction
item["floor"] = floor
item["unitPrice"] = unitPrice
item["totalPrice"] = totalPrice

获取详情页面链接并解析

可以看到详情面的链接是我们之前提取的标题所在的a标签的href属性

# 获取详情链接
clearUrl = oneList.xpath('./div[@class="title"]/a/@href').extract_first()
# print(clearUrl)
yield Request(clearUrl,meta={"item":item},callback=self.clearUrlParse)

获取详情页面连接后，像爬虫发起爬取请求，注意这里的meta参数和callback参数。

meta用于传递用户参数，我们之前提取的信息保存在item中，这里将item一并传递出去
callback用于指定解析函数，这里不能采用默认的parse，需要编写新的解析函数。

# 详情链接解析函数
def clearUrlParse(self,response):
   elevator = response.xpath('//div[@class="base"]//ul/li[last()-1]/text()').extract_first()
   propertyYears = response.xpath('//div[@class="base"]//ul/li[last()]/text()').extract_first()

   item = response.meta["item"]
   item["elevator"] = elevator
   item["propertyYears"] = propertyYears
   yield item

获取下一页链接

获取下一页有两种方法，

• 直接提取下一页的相对链接，直至为None，表明到了最后一页。
• 提取总页数，修改下一页的链接 例如第二页的链接https://cs.lianjia.com/ershoufang/pg2/ pg后面的数字代表当前页，修改该数字即可。

方法一：

next = response.xpath('//div[@class="page-box house-lst-page-box"]/a[last()]/@href').extract_first()
nextUrl = 'https://cs.lianjia.com'+next
if nextUrl:
    yield Request(nextUrl, callback=self.parse)

方法二：

def __init__(self):
    self.currentPage = 1
    self.totalPage = 1

self.currentPage += 1
nextUrl = 'https://cs.lianjia.com/ershoufang/pg%d'%self.currentPage
self.totalPage = response.xpath('//div[@class="leftContent"]//div[@class="page-box house-lst-page-box"]/a[last()-1]/text()').extract_first()
print(self.totalPage)
if self.currentPage < self.totalPage:
    yield Request(nextUrl,callback=self.parse)

至此，爬虫文件已经编写完成了，设置一下代理和robots协议就可以直接运行爬虫导出数据了

但是我们希望爬取的信息按照指定的顺序排列保存，当前的顺序是随机的。此外单价一栏下的信息是“单价12106元/平米”，正常来讲应该去掉单价二字。所以接下来使用Item Pipeline进行数据二次处理。

使用Item Pipeline处理并保存数据

打开pipelines.py，默认生成了一个LianjiaPipeline类，其中有一个process方法，我们就是在这个方法中处理数据的。

处理数据

import re
class LianjiaPipeline(object):
    def process_item(self, item, spider):
        item["unitPrice"]=re.sub("单价",'',item["unitPrice"])
        return item

用到正则表达式导入re库，去掉单价信息中的“单价”二字。

按一定格式保存数据

class csvPipeline(object):
    def __init__(self):
        self.index = 0
        self.file = None
        
    def open_spider(self,spider):
        self.file = open("home.csv", "a", encoding="utf-8")
        
    def process_item(self,item,spider):

        if self.index == 0:
            columnName = "title,place,type,area,direction,floor,unitPrice,totalPrice,elevator,propertyYears\n"
            self.file.write(columnName)
            self.index = 1
        homeStr = item["title"]+","+item["place"]+","+item["type"]+","+item["area"]+","+item["direction"]+","+ \
                  item["floor"]+","+item["unitPrice"]+","+item["totalPrice"]+","+item["elevator"]+","+item["propertyYears"]+"\n"
        self.file.write(homeStr)
        return item
   
    def close_spider(self,spider):
        self.file.close()

再定义一个csvPipeline类，其中除了process方法，还有open_spider方法和close_spider方法用于打开和关闭爬虫，再次highlight函数名不能随意更改

配置Item Pipeline

默认是'lianjia.pipelines.LianjiaPipeline': 300,这里再将csvPipeline加入，后面的数字400代表优先级，数字越小优先级越高，代表Pipeline处理item中数据的顺序。

运行爬虫

使用命令行运行爬虫比较麻烦，可以编写一个start.py文件运行爬虫

from scrapy import  cmdline
cmdline.execute("scrapy crawl home".split())

可以看到提取的信息按照我们设定的顺序排列，并且将单价信息进行了处理。

完整的爬虫文件

#!/usr/bin/env python
# -*- coding:utf-8 -*-
#@Time  : 2020/2/21 18:07
#@Author: bz
#@File  : lianjia_spider.py

import scrapy
from scrapy import Request
from lianjia.items import LianjiaItem

class HomespiderSpider(scrapy.Spider):
    name = 'home'

    def __init__(self):
        self.currentPage = 1
        self.totalPage = 1

    def start_requests(self):
        url = 'https://cs.lianjia.com/ershoufang/'
        yield Request(url,callback=self.parse)

    def parse(self, response):
        roomList = response.xpath('//ul/li/div[@class="info clear"]')
        for oneList in roomList:
            title = oneList.xpath('./div[@class="title"]/a/text()').extract_first()
            place = oneList.xpath('./div[@class="flood"]//a[1]/text()').extract_first()+'- '+oneList.xpath('./div[@class="flood"]//a[2]/text()').extract_first()
            houseInfo = oneList.xpath('./div[@class="address"]/div/text()').extract_first()

            houseInfoList = houseInfo.split("|")
            type = houseInfoList[0]
            area = houseInfoList[1]
            direction = houseInfoList[2]
            floor = houseInfoList[4]

            unitPrice = oneList.xpath('./div[@class="priceInfo"]/div[@class="unitPrice"]/span/text()').extract_first()
            totalPrice = oneList.xpath('./div[@class="priceInfo"]/div[@class="totalPrice"]/span/text()').extract_first()+oneList.xpath('./div[@class="priceInfo"]/div[@class="totalPrice"]/text()').extract_first()

            item = LianjiaItem()
            item["title"] = title
            item["place"] = place
            item["type"] = type
            item["area"] = area
            item["direction"] = direction
            item["floor"] = floor
            item["unitPrice"] = unitPrice
            item["totalPrice"] = totalPrice

            # 获取详情链接
            clearUrl = oneList.xpath('./div[@class="title"]/a/@href').extract_first()
            # print(clearUrl)
            yield Request(clearUrl,meta={"item":item},callback=self.clearUrlParse)
     
      # 获取下一页链接
        self.currentPage += 1
        nextUrl = 'https://cs.lianjia.com/ershoufang/pg%d'%self.currentPage
        self.totalPage = response.xpath('//div[@class="leftContent"]//div[@class="page-box house-lst-page-box"]/a[last()-1]/text()').extract_first()
        if self.currentPage < self.totalPage:
            yield Request(nextUrl,callback=self.parse)

    # 详情链接解析函数
    def clearUrlParse(self,response):
       elevator = response.xpath('//div[@class="base"]//ul/li[last()-1]/text()').extract_first()
       propertyYears = response.xpath('//div[@class="base"]//ul/li[last()]/text()').extract_first()

       item = response.meta["item"]
       item["elevator"] = elevator
       item["propertyYears"] = propertyYears
       yield item