一、如何爬取链家网页房源信息

由于个人安装的Python版本是2.7的，因此此后的相关代码也是该版本。

爬取网页所有信息
利用urllib2包来抓取网页的信息，先介绍下urllib2包的urlopen函数。
urlopen：将网页所有信息存到一个object里，我们可通过读取这个object来获得网页信息。例如，我们使用它来获取百度首页信息如下。

import urllib2
f = urllib2.urlopen('http://www.baidu.com')
f.read(100)

通过上面的代码我们读取了百度首页的前100个字符：

'<!DOCTYPE html><!--STATUS OK--><html><head><meta http-equiv="content-type" content="text/html;charse'

有时可能会出现编码问题导致打开的是乱码，只需修改下编码格式即可：

f.read(100).decode('utf-8')

通过这种方法我们可以获得链家一个二手房首页的信息：

import urllib2
url = 'http://sz.lianjia.com/ershoufang/pg'
res = urllib2.urlopen(url)
content = res.read().decode('utf-8')

于是网页信息便存在了content之中。

获取房源信息
上面我们已经获得了一整个的网页信息，接下来需要获取网页中我们需要的有用信息，我们的目标是获取房源信息，方法是利用正则表达式来获取。关于正则表达式的知识可以参考一个网友的博文http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
首先，我们查看下网页信息：

我们关注类似下面的这种信息

data-el="region">万科第五园一期</a> | 3室2厅 | 104.58平米 | 南 | 精装</div><

import urllib2
import re
url = 'http://sz.lianjia.com/ershoufang/pg/'
res = urllib2.urlopen(url)
content=res.read().decode('utf-8')
result = re.findall(r'>.{1,100}?</div></div><div class="flood">',content)
for i in result:print(i[0:-31].decode('utf-8'))

运行结果如下图：

这样就算是获取了我想要的信息了，不过这个信息中间有个我们不想要的符号，接下来还需要去掉这个符号（可见这种方法比较繁琐，效率也偏低）。
在这里我通过字符替换操作，用空字符来替换这个多余字符。
代码为：

import urllib2
import re
url = 'http://sz.lianjia.com/ershoufang/pg/'
res = urllib2.urlopen(url)
content=res.read().decode('utf-8')
result = re.findall(r'>.{1,100}?</div></div><div                            class="flood">',content)
for i in result:print(i[0:-31].replace('</a>','').decode('utf-8'))

上面的方法虽然帮我们获得了房源信息，但是方法还是有些繁琐，而且效率也并不高
我们利用上面的方法来爬取链家二手房100个页面房源信息，代码修改如下：

import urllib2
import time
import re
print(time.clock())
url = 'http://sz.lianjia.com/ershoufang/pg'
for x in range(101):finalUrl = url + str(x) + '/'res = urllib2.urlopen(finalUrl)content=res.read().decode('utf-8')result = re.findall(r'>.{1,100}?</div></div><div class="flood">',content)for i in result:print(i[0:-31].replace('</a>','').decode('utf-8'))
print(time.clock())

主要是测试一下运行时间，测试结果大概是350s左右（当然，主要还受网速的影响，而对代码本身来说消耗的大多数时间都在urlopen上），接下来，在下一篇中，将利用BeautifulSoup库来实现房源的获取。

一、如何爬取链家网页房源信息相关推荐

如何爬取链家网页房源信息
由于个人安装的Python版本是2.7的,因此此后的相关代码也是该版本. 爬取网页所有信息利用urllib2包来抓取网页的信息,先介绍下urllib2包的urlopen函数. urlopen:将 ...
如何高效地爬取链家的房源信息（四）
"Python实现的链家网站的爬虫第四部分,最后一部分." 本系列文将以链家南京站为例,使用Python实现链家二手房源信息的爬虫,将数据爬取,并存入数据库中,以便使用. 本系列第 ...
如何高效地爬取链家的房源信息（三）
"Python实现的链家网站的爬虫第三部分." 本系列文将以链家南京站为例,使用Python实现链家二手房源信息的爬虫,将数据爬取,并存入数据库中,以便使用. 本系列第一部分为基础 ...
如何高效地爬取链家的房源信息（二）
"Python实现的链家网站的爬虫第二部分." 本系列文将以链家南京站为例,使用Python实现链家二手房源信息的爬虫,将数据爬取,并存入数据库中,以便使用. 本系列第一部分: 如 ...
python+selenium爬取链家网房源信息并保存至csv
python+selenium爬取链家网房源信息并保存至csv 抓取的信息有:房源', '详细信息', '价格','楼层', '有无电梯 import csv from selenium import ...
python 爬虫实践（爬取链家成交房源信息和价格）
简单介绍 pi: 简单介绍下,我们需要用到的技术,python 版本是用的pyhon3,系统环境是linux,开发工具是vscode:工具包:request 爬取页面数据,然后redis 实现数据缓存 ...
爬取链家所有房源信息(在售、成交、租房)
环境:Windows10+Anaconda python3.6.5+Spyder 目标:抓取链家北京地区所有房源信息. 打开链家官网 https://bj.lianjia.com/ .粗略的浏览了一下 ...
如何高效地爬取链家的房源信息（一）
"Python实现的链家网站的爬虫第一部分." 在之前的文章,以链家成都站为例,分析过链家网站数据的爬取,文章如下: 干货!链家二手房数据抓取及内容解析要点但是,当时没有根据分析 ...
利用xpath爬取链家租房房源数据并利用pandas保存到Excel文件中
我们的需求是利用xpath爬取链家租房房源数据,并将数据通过pandas保存到Excel文件当中下面我们看一下链家官网的房源信息(以北京为例) 如图所示,我们通过筛选得到北京租房信息那么我们需要将 ...

一、如何爬取链家网页房源信息

一、如何爬取链家网页房源信息相关推荐

最新文章

热门文章