本节使用 Python 爬虫库完成链家二手房（https://bj.lianjia.com/ershoufang/rs/）房源信息抓取，包括楼层、区域、总价、单价等信息。在编写此程序的过程中，您将体会到 lxml 解析库的实际应用。
通过简单的分析可知 URL 具有以下规律：
下面使用
因此，匹配出的 info_list 列表需要经过处理才能得出我们想要的数据，如下所示：
requests.get() 方法提供了 timeout 参数可以用来设置超时时间，此方法还提供了其他实用性参数，比如 auth(用户认证)、veryify(证书认证)、proxies(设置代理 IP)，这在后续内容中会做相应介绍。
展示部分输出结果：
编写程序流程分析
打开链家网站后，第一步，确定网站是否为静态网站，通过在网页源码内搜索关键字的方法，可以确定其为静态网站；第二步，确定要抓取页面的 URL 规律，第三步，根据要抓取的数据确定 Xpath 表达式；最后一步，编写 Python 爬虫程序。通过简单的分析可知 URL 具有以下规律：
第一页：https://bj.lianjia.com/ershoufang/pg1/ 第二页：https://bj.lianjia.com/ershoufang/pg2/ 第三页：https://bj.lianjia.com/ershoufang/pg3/ 第n页：https://bj.lianjia.com/ershoufang/pgn/
确定Xpath表达式
使用 Chrome 开发者工具对页面元素进行审查，从而确定 Xpath 表达式。首先根据要抓取的数据确定“基准表达式”。通过审查一处房源的元素结构，可以得知房源信息都包含在以下代码中：
- <div class="info clear">
- <div class="title"><a class="" href="https://bj.lianjia.com/ershoufang/101110713022.html" target="_blank"
- data-log_index="1" data-el="ershoufang" data-housecode="101110713022" data-is_focus="" data-sl="">玉竹园小区 满五唯一
- 楼层高 视野好</a><span class="goodhouse_tag tagBlock">必看好房</span></div>
- <div class="flood">
- <div class="positionInfo"><span class="positionIcon"></span><a
- href="https://bj.lianjia.com/xiaoqu/1111027382276/" target="_blank" data-log_index="1"
- data-el="region">玉竹园 </a> - <a href="https://bj.lianjia.com/ershoufang/liangxiang/"
- target="_blank">良乡</a> </div>
- </div>
- <div class="address">
- <div class="houseInfo"><span class="houseIcon"></span>2室1厅 | 88.62平米 | 北 南 | 简装 | 顶层(共6层) | 2004年建 | 板楼</div>
- </div>
- <div class="followInfo"><span class="starIcon"></span>26人关注 / 7天以前发布</div>
- <div class="tag"><span class="subway">近地铁</span><span class="isVrFutureHome">VR看装修</span><span
- class="taxfree">房本满五年</span><span class="haskey">随时看房</span></div>
- <div class="priceInfo">
- <div class="totalPrice"><span>225</span>万</div>
- <div class="unitPrice" data-hid="101110713022" data-rid="1111027382276" data-price="25390">
- <span>单价25390元/平米</span></div>
- </div>
- </div>
1) 确定基准表达式
待抓取的房源信息都包含在相应的 <div> 标签中，如下所示：<div class="positionInfo">..</div> <div class="address">...</div> <div class="priceInfo">...</div>而每个页面中都包含 30 个房源，因此我们要匹配以下节点的父节点或者先辈节点，从而确定 Xpath 基准表达式：
<div class="info clear"></div>通过页面结构分析可以得出每页的 30 个房源信息全部包含以下节点中：
<ul class="sellListContent" log-mod="list"> <li class="clear LOGVIEWDATA LOGCLICKDATA"> 房源信息.. </li> </ul>接下来，使用调试工具定位上述元素，然后滚动鼠标滑。这时候神奇的一幕出现了，你会发现
li标签的class属性值发生了变化，其结果如下：<ul class="sellListContent" log-mod="list"> <li class="clear LOGCLICKDATA"> 房源信息.. </li> </ul>发生变化的原因是由于 JS 事件触发导致的。因此就需要去页面的源码页进行匹配。
下面使用
Ctrl+F分别对 class 变化前后的属性值进行检索，最后发现源码页只存在如下属性：
class="clear LOGVIEWDATA LOGCLICKDATA"因此 Xpath 基准表达式如下所示：
//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]
2) 确定抓取信息的表达式
根据页面元素结构确定待抓取信息的 Xpath 表达式，分别如下：小区名称：name_list=h.xpath('.//a[@data-el="region"]/text()')
房屋介绍：info_list=h.xpath('.//div[@class="houseInfo"]/text()')
地址信息：address_list=h.xpath('.//div[@class="positionInfo"]/a/text()')
单价信息：price_list=h.xpath('.//div[@class="unitPrice"]/span/text()')
其中房屋介绍，主要包含了以下信息：
- <div class="address">
- <div class="houseInfo"><span class="houseIcon"></span>2室1厅 | 88.62平米 | 北 南 | 简装 | 顶层(共6层) | 2004年建 | 板楼</div>
- </div>
- #户型+面积+方位+是否精装+楼层+... ['2室1厅 | 88.62平米 | 北 南 | 简装 | 顶层(共6层) | 2004年建 | 板楼']
- info_list=h.xpath('.//div[@class="houseInfo"]/text()')
- if info_list:
- #处理列表数据
- L=info_list[0].split('|')
- # ['2室1厅 ', ' 88.62平米 ', ' 北 南 ', ' 简装 ', ' 顶层(共6层) ', ' 2004年建 ', ' 板楼']
- if len(L) >= 5:
- item['model']=L[0].strip()
- item['area']=L[1].strip()
- item['direction']=L[2].strip()
- item['perfect']=L[3].strip()
- item['floor']=L[4].strip()
3) 提高抓取效率
为了提高网页信息的抓取质量，减小网络波动带来的响应，我们可以设置一个规则：在超时时间内（3秒），在该时间内对于请求失败的页面尝试请求三次，如果均未成功，则抓取下一个页面。requests.get() 方法提供了 timeout 参数可以用来设置超时时间，此方法还提供了其他实用性参数，比如 auth(用户认证)、veryify(证书认证)、proxies(设置代理 IP)，这在后续内容中会做相应介绍。
编写程序代码
通过上述分析得出了所有的 Xpath 表达式，下面开始编写爬虫程序，代码如下：
- #coding:utf8
- import requests
- import random
- from lxml import etree
- import time
- #提供ua信息的的包
- from fake_useragent import UserAgent
- class LinajiaSpider(object):
- def __init__(self):
- self.url='https://bj.lianjia.com/ershoufang/pg{}/'
- #计数，请求一个页面的次数，初始值为1
- self.blog=1
- # 随机取一个UA
- def get_header(self):
- #实例化ua对象
- ua=UserAgent()
- headers={'User-Agent':ua.random}
- return headers
- #发送请求
- def get_html(self,url):
- #在超时间内，对于失败页面尝试请求三次
- if self.blog<=3:
- try:
- res=requests.get(url=url,headers=self.get_header(),timeout=3)
- html=res.text
- return html
- except Exception as e:
- print(e)
- self.blog+=1
- self.get_html(url)
- # 解析提取数据
- def parse_html(self,url):
- html=self.get_html(url)
- if html:
- p=etree.HTML(html)
- #基准xpath表达式-30个房源节点对象列表
- h_list=p.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]')
- #所有列表节点对象
- for h in h_list:
- item={}
- #名称
- name_list=h.xpath('.//a[@data-el="region"]/text()')
- #判断列表是否为空
- item['name']=name_list[0] if name_list else None
- #户型+面积+方位+是否精装..['2室1厅 | 88.62平米 | 北 南 | 简装 | 顶层(共6层) | 2004年建 | 板楼']
- info_list=h.xpath('.//div[@class="houseInfo"]/text()')
- #判断列表是否为空
- if info_list:
- L=info_list[0].split('|')
- # ['2室1厅 ', ' 88.62平米 ', ' 北 南 ', ' 简装 ', ' 顶层(共6层) ', ' 2004年建 ', ' 板楼']
- if len(L) >= 5:
- item['model']=L[0].strip()
- item['area']=L[1].strip()
- item['direction']=L[2].strip()
- item['perfect']=L[3].strip()
- item['floor']=L[4].strip()
- #区域+总价+单价
- address_list=h.xpath('.//div[@class="positionInfo"]/a/text()')
- item['address']=address_list[0].strip() if address_list else None
- total_list=h.xpath('.//div[@class="totalPrice"]/span/text()')
- item['total_list']=total_list[0].strip() if total_list else None
- price_list=h.xpath('.//div[@class="unitPrice"]/span/text()')
- item['price_list']=price_list[0].strip() if price_list else None
- print(item)
- # 入口函数
- def run(self):
- try:
- for i in range(1,101):
- url=self.url.format(i)
- self.parse_html(url)
- time.sleep(random.randint(1,3))
- #每次抓取一页要初始化一次self.blog
- self.blog=1
- except Exception as e:
- print('发生错误',e)
- if __name__ == '__main__':
- spider=LinajiaSpider()
- spider.run()
{'name': '玉竹园 ', 'model': '2室1厅', 'area': '88.62平米', 'direction': '北 南', 'perfect': '简装', 'floor': '顶层(共6层)', 'address': '玉竹园', 'total_list': '225', 'price_list': '单价25390元/平米'}
{'name': '摩卡空间 ', 'model': '2室1厅', 'area': '71.95平米', 'direction': '东南', 'perfect': '简装', 'floor': '高楼层(共17层)', 'address': '摩卡空间', 'total_list': '372', 'price_list': '单价51703元/平米'}
{'name': '长城国际 ', 'model': '1室1厅', 'area': '52.73平米', 'direction': '西', 'perfect': '精装', 'floor': '22层', 'address': '长城国际', 'total_list': '235', 'price_list': '单价44567元/平米'}
{'name': '牛街西里 ', 'model': '3室1厅', 'area': '102.6平米', 'direction': '东北', 'perfect': '其他', 'floor': '中楼层(共20层)', 'address': '牛街西里', 'total_list': '815', 'price_list': '单价79435元/平米'}
{'name': '新安里 ', 'model': '1室2厅', 'area': '51.56平米', 'direction': '南 北', 'perfect': '精装', 'floor': '顶层(共6层)', 'address': '新安里', 'total_list': '197', 'price_list': '单价38208元/平米'}
{'name': '龙华园 ', 'model': '2室1厅', 'area': '67.73平米', 'direction': '南 北', 'perfect': '简装', 'floor': '顶层(共6层)', 'address': '龙华园', 'total_list': '342', 'price_list': '单价50495元/平米'}
...
