利用requestes\pyquery\BeautifulSoup爬取某租房公寓(深圳市)4755条租房信息及总结

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

为了分析深圳市所有长租、短租公寓的信息，爬取了某租房公寓深圳区域所有在租公寓信息，以下记录了爬取过程以及爬取过程中遇到的问题：

爬取代码：

1 import requests
2 from requests.exceptions import RequestException
3 from pyquery import PyQuery as pq
4 from bs4 import BeautifulSoup
5 import pymongo
6 from config import *
7 from multiprocessing import Pool
8
9 client = pymongo.MongoClient(MONGO_URL) # 申明连接对象
10 db = client[MONGO_DB] # 申明数据库
11
12 def get_one_page_html(url): # 获取网站每一页的html
13 headers = {
14 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
15 "Chrome/85.0.4183.121 Safari/537.36"
16 }
17 try:
18 response = requests.get(url, headers=headers)
19 if response.status_code == 200:
20 return response.text
21 else:
22 return None
23 except RequestException:
24 return None
25
26
27 def get_room_url(html): # 获取当前页面上所有room_info的url
28 doc = pq(html)
29 room_urls = doc('.r_lbx .r_lbx_cen .r_lbx_cena a').items()
30 return room_urls
31
32
33 def parser_room_page(room_html):
34 soup = BeautifulSoup(room_html, 'lxml')
35 title = soup.h1.text
36 price = soup.find('div', {'class': 'room-price-sale'}).text[:-3]
37 x = soup.find_all('div', {'class': 'room-list'})
38 area = x[0].text[7:-11] # 面积
39 bianhao = x[1].text[4:]
40 house_type = x[2].text.strip()[3:7] # 户型
41 floor = x[5].text[4:-2] # 楼层
42 location1 = x[6].find_all('a')[0].text # 分区
43 location2 = x[6].find_all('a')[1].text
44 location3 = x[6].find_all('a')[2].text
45 subway = x[7].text[4:]
46 addition = soup.find_all('div', {'class': 'room-title'})[0].text
47 yield {
48 'title': title,
49 'price': price,
50 'area': area,
51 'bianhao': bianhao,
52 'house_type': house_type,
53 'floor': floor,
54 'location1': location1,
55 'location2': location2,
56 'location3': location3,
57 'subway': subway,
58 'addition': addition
59 }
60
61
62 def save_to_mongo(result):
63 if db[MONGO_TABLE].insert_one(result):
64 print('存储到mongodb成功', result)
65 return True
66 return False
67
68
69 def main(page):
70 url = 'http://www.xxxxx.com/room/sz?page=' + str(page) # url就不粘啦，嘻嘻
71 html = get_one_page_html(url)
72 room_urls = get_room_url(html)
73 for room_url in room_urls:
74 room_url_href = room_url.attr('href')
75 room_html = get_one_page_html(room_url_href)
76 if room_html is None: # 非常重要，否则room_html为None时会报错
77 pass
78 else:
79 results = parser_room_page(room_html)
80 for result in results:
81 save_to_mongo(result)
82
83 if __name__ == '__main__':
84 pool = Pool() # 使用多进程提高爬取效率
85 pool.map(main, [i for i in range(1, 258)])

在写爬取代码过程中遇到了两个问题：

（一）在get_room_url(html)函数中，开始是想直接return每个租房信息的room_url，但是return不同于print，函数运行到return时就会结束该函数，这样就只能返回每页第一个租房room_url。解决办法是：return 包含每页所有room_url的generator生成器，在main函数中用for循环遍历，再从每个room_url中获取href，传入到get_one_page_html(room_url_href)中进行解析。

（二）没有写第76行的if语句，我默认get_one_page_html(room_url_href)返回的room_html不为空，因此出现multiprocessing.pool.RemoteTraceback报错：

上图中显示markup为None情况下报错，点击蓝色"F:\ProgramFiles\anaconda3\lib\site-packages\bs4\__init__.py"发现markup为room_html，即部分room_html出现None情况。要解决这个问题，必须让代码跳过room_html is None的情况，因此添加 if 语句解决了这个问题。

最终成功爬取某租房公寓深圳市258页共4755条租房信息，为下一步进行数据分析做准备。