python爬取北京租房信息

标签：python   爬虫   

发现官网的筛选方式不能满足自己的需求，所以爬取相关网站制作出现在的东西来

效果预览-> <a href="https://virzc.com/2018/05/17/beijingrent/#more" target="_blank">在线预览</a>

###下面进行详细分析
一.首先爬取起始地和终点地的路线及沿途地铁站名称

1.爬取8684.cn的地铁查询:

  pattern = ‘http://bjdt.8684.cn/so.php?k=p2p&q={}&q1={}‘

• q->起始位置，q1为目标位置。返回的是html页面。

  2.采用scrapy进行xpath解析，提取相关的html标签和值

• 如提取线路方案列表的xpath表达式

            Selector(text=body).xpath(
            "//div[@class=‘iContainer clear‘]/div[@class=‘iMain‘]/div[@class=‘transferMainShowWrap‘]/ul[@class=‘tms-mn tms-project‘]/li")
            .extract()

3.提取出线路方案列表后，针对列表中的每个元素进行提取站点的操作，可参考提取a标签，但剔除带有class属性的html值。

4.将所有的站点放到一个列表中，同时针对列表元素进行去重操作，记得记录路线描述和距离，可定义相关对象来维护。

二.通过站点查询租房信息

1.主要对自如官网进行爬取。

pattern=http://www.ziroom.com/z/nl/z2.html?qwd={}

• qwd可能需要进行urlencode

• 返回的是html页面，需要对页面进行分析，首先提取出总页数，然后根据总页数去请求其余页面。上面的url附加q参数，q参数为页面索引，即是单独页面链接

  2.针对单个页面提取各个单条项目的信息。
  如提取单个页面的信息列表

   ls = Selector(text=body).xpath("//ul[@id=‘houseList‘]/li").extract();

• 针对列表进行单个处理，提取感兴趣的信息。

  3.处理封装返回。
  针对提取的信息，进行筛选，例如对价格进行筛选，对大小进行筛选，不用做排序。采用前端框架来进行排序。后台做的处理已经够多了。

三.接入到公众号中

可以接入到公众号中，提高公众号的影响力，具体的公众平台对接请参考<a href="https://github.com/zc1024/wxplatform/blob/master/weixin.py" target="_blank">访问github开源项目</a>

python爬取北京租房信息

标签：python   爬虫   

原文地址：http://blog.51cto.com/13801588/2127982