scrapy抓取贝壳找房租房数据

地址：https://jn.zu.ke.com/zufang

1，首先确定要爬取的数据

2，查看数据来源

数据直接在网页中展示，不是动态加载，也不需要cookie，更没有什么反爬（之所以写这篇文章是因为我对scrapy框架不了解，正在学习中，加深一下印象）

3.找下一页的数据，寻找url规律

可以看到地址https://jn.zu.ke.com/zufang/pg2/ https://jn.zu.ke.com/zufang/pg3/.。。。。。是有一定规律的

#url可以这样表示
start_urls = [f'https://jn.zu.ke.com/zufang/pg{i}/#contentList' for i in range(1,101)]

4，数据来源分析好了之后就要开始创建项目了
不知道scrapy怎么用的同学可以看我的另外几篇文章 scrapy基本命令 scrapy框架持久化存储 scrapy分布式爬虫 增量式爬虫

5，开始编写代码
　　1，settings.py配置文件需要改一些配置

2，item.py确定需要的数据

import scrapy


class PropertiesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()
    address = scrapy.Field()
    big = scrapy.Field()
    where = scrapy.Field()
    how = scrapy.Field()
    price = scrapy.Field()
    name = scrapy.Field()

3，进行编写爬虫文件

import copy

import scrapy

from properties.items import PropertiesItem
class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example.com']
    start_urls = [f'https://jn.zu.ke.com/zufang/pg{i}/#contentList' for i in range(1,101)]

    def parse(self, response):
        node_list = response.xpath('//div[@class="content__list--item--main"]')
        item = PropertiesItem()
        for node in node_list:
            item["title"] = node.xpath("./p[1]/a/text()").extract_first().strip()
            item["link"] = response.urljoin(node.xpath("./p[1]/a/@href").extract_first().strip())
            item["address"] = node.xpath("./p[2]/a[3]/text()").extract_first().strip()
            item["big"] = node.xpath("./p[2]/text()[5]").extract_first().strip()
            item["where"] = node.xpath("./p[2]/text()[6]").extract_first().strip()
            item["how"] = node.xpath("./p[2]/text()[7]").extract_first().strip()
            item["price"] = node.xpath(
                './span[@class="content__list--item-price"]/em/text()').extract_first().strip() + '元/月'
            # item["name"] ='none'
            # yield item

            yield scrapy.Request(
                url=item["link"],
                callback=self.makes,
                meta={
    
    "item": copy.deepcopy(item)},
                dont_filter=True
            )
    def makes(self,response):
        item = response.meta['item']
        item["name"] = response.xpath('//span[@class="contact_name"]/@title').extract_first()
        yield item

4，编写管道文件pipelines.py

import csv

class PropertiesPipeline:
    def __init__(self):
        self.fp=None
    def open_spider(self,spider):
        print('=====爬虫开始=====')
        self.fp = open('贝壳.csv', 'w', newline='', encoding="utf8")
        self.csv_writer=csv.writer(self.fp)
        self.csv_writer.writerow(["标题", "链接", '地址', "大小", "方向", "居室",
                                  "价格","姓名"])
    def process_item(self, item, spider):
        self.csv_writer.writerow(
            [item["title"], item["link"], item["address"],
             item["big"], item["where"], item["how"], item["price"],item['name']]
        )
        return item
    def close_spider(self,spider):
        self.fp.close()
        print('===== 爬虫结束=====')

别的文件就不需要做任何更改了，想要保存到数据库 ，csv等地方可以看我的博客 scrapy持久化存储 python操作csv，Excel，word

这就是我爬取好的数据，爬取下来是有很多重复数据的，是因为这个网站的原因，他在展示数据的时候就是从一个大列表里面抽取数据来展示，你每刷新一次页面数据也就不一样，可以用数据分析相关模块进行去重，后续会在博客中更新，我目前是存储在csv中，wps，office自带去重功能