抓取数据不管用什么编程语言几乎都是可以实现了，今天我们需要采集安居客的小区数据，下面我们来看一个python抓取安居客小区数据的程序代码了，希望下文能够对大家有帮助。

某功能需要一套城市所有小区的位置信息数据，一开始是使用的百度地图api来进行关键词搜索，勉强能用，但数据量非常少，还是有大量的社区/小区搜不到。

周末在家上网时发现安居客上直接就有每个城市的小区大全，欣喜若狂，于是就立即写了个爬虫试试。

以下贴代码，python2.7，lxml+request库。#coding=utf-8

#author : zx

#date : 2015/07/27

import requests

import MySQLdb

import time

import string

import random

from lxml import etree

#ua头信息 get时可以随机使用

headers = [

{ "User-Agent":"Mozilla/5.0 (Linux; U; Android 4.1; en-us; GT-N7100 Build/JRO03C) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30"},

{ "User-Agent":"Mozilla/5.0 (compatible; MSIE 10.0; Windows Phone 8.0; Trident/6.0; IEMobile/10.0; ARM; Touch; NOKIA; Lumia 520)"},

{ "User-Agent":"Mozilla/5.0 (BB10; Touch) AppleWebKit/537.10+ (KHTML, like Gecko) Version/10.0.9.2372 Mobile Safari/537.10+"},

{ "User-Agent":"Mozilla/5.0 (Linux; Android 4.4.2; GT-I9505 Build/JDQ39) AppleWebKit/537.36 (KHTML, like Gecko) Version/1.5 Chrome/28.0.1500.94 Mobile Safari/537.36"}

]

#城市入口页面

#我只抓的青岛本地

#其它城市或全国城市可通过这个页面抓取城市列表http://m.anjuke.com/cityList

url = 'http://m.anjuke.com/qd/xiaoqu/'

req = requests.get(url)

cookie = req.cookies.get_dict()

#链接数据库

conn = MySQLdb.connect('localhost', '*****', '******', '***', charset='utf8')

cursor = conn.cursor()

sql = "insert into xiaoqu (name, lat, lng, address, district) values (%s, %s, %s, %s, %s)"

sql_v = []

page = etree.HTML(req.text)

districtHTML = page.xpath(u"//div[@class='listcont cont_hei']")[0]

#采集目标城市的各行政区域url

#当然如果不想区分行政区可以直接抓“全部” 即上面url中的所有小区及分页

districtUrl = {}

i = 0

for a in districtHTML:

if i==0:

i = 1

continue

districtUrl[a.text] = a.get('href')

#开始采集

total_all = 0

for k,u in districtUrl.items():

p = 1 #分页

while True:

header_i = random.randint(0, len(headers)-1)

url_p = u.rstrip('/') + '-p' + str(p)

r = requests.get(url_p, cookies=cookie, headers=headers[header_i])

page = etree.HTML(r.text) #这里转换大小写要按情况...

communitysUrlDiv = page.xpath(u"//div[@class='items']")[0]

total = len(communitysUrlDiv)

i = 0

for a in communitysUrlDiv:

i+=1

r = requests.get(a.get('href'), cookies=cookie, headers=headers[header_i])

#抓取时发现有少量404页会直接导致程序报错退出- -!

#唉 说明代码写的还不够健壮啊

#加了if判断和try， 错误时可以跳过或做一些简单处理和调试...

if r.status_code == 404:

continue

page = etree.HTML(r.text)

try:

name = page.xpath(u"//h1[@class='f1']")[0].text

except:

print a.get('href')

print r.text

raw_input()

#有少量小区未设置经纬度信息

#只能得到它的地址了

try:

latlng = page.xpath(u"//a[@class='comm_map']")[0]

lat = latlng.get('lat')

lng = latlng.get('lng')

address = latlng.get('address')

except:

lat = ''

lng = ''

address = page.xpath(u"//span[@class='rightArea']/em")[0].text

sql_v.append((name, lat, lng, address, k))

print "\r\r\r",

print u"正在下载 %s 的数据,第 %d 页,共 %d 条，当前:".encode('gbk') %(k.encode('gbk'),p, total) + string.rjust(str(i),3).encode('gbk'),

time.sleep(0.5) #每次抓取停顿

#执行插入数据库

cursor.executemany(sql, sql_v)

sql_v = []

time.sleep(5) #每页完成后停顿

total_all += total

print ''

print u"成功入库 %d 条数据，总数 %d".encode('gbk') % (total, total_all)

if total < 500:

break

else:

p += 1

#及时关闭数据库 做个好孩子 任务完成~

cursor.close()

conn.close()

print u'所有数据采集完成! 共 %d 条数据'.encode('gbk') % (total_all)

raw_input()

注释我觉得已经写的很详细了，在cmd中显示，字符串当然要转一下码。

以下是运行状态和得到的数据截图。

本文原创发布php中文网，转载请注明出处，感谢您的尊重！