码迷,mamicode.com
首页 > 其他好文 > 详细

58同城南京品牌公馆数据爬取

时间:2019-01-06 13:36:21      阅读:304      评论:0      收藏:0      [点我收藏+]

标签:分享   mon   online   from   记录   localhost   爬取   XML   http   

   做一个租房信息的网站,要爬取58同城上南京品牌公馆的房源信息,因为数字被重新编码了,折腾了一天,记录一下整个过程,留着后面使用。

1,网页分析和字体文件反爬

  简单看了下url(https://nj.58.com/pinpaigongyu/pn/1/),比较简单,替换下网址中页码数,就可以一直翻页并进行爬取。分析了下源代码需要爬取的信息,如下图所示,有一些怪异的汉字,刚开始以为是编码问题,后来看了下爬取下来的网页,发现是数字被替换了,应该是有特殊的字体文件。

  技术分享图片

  技术分享图片

 

  在script标签中找了一会,发现了下面的js代码,看到font-face和fangchan-secret,应该就是相应的字体文件,base64后面的内容即为base64加密后的字体文件信息,可以进行正则匹配提取,然后解码写入字体文件,相应代码如下。

技术分享图片

import requests
import re
from fontTools.ttLib import TTFont
#下载字体文件
url="https://nj.58.com/pinpaigongyu/pn/{page}/" response = requests.get(url=url.format(page=1),headers={User-Agent:Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1}) font_base64 = re.findall("base64,(AA.*AAAA)", response.text)[0] # 找到base64编码的字体格式文件 font = base64.b64decode(font_base64) with open(58font2.ttf, wb) as tf: tf.write(font)
font_object = TTFont(‘58font2.ttf‘)
font_object.saveXML(‘58font2.xml‘)

  利用FontCreator查看了下保存的字体文件58font2.ttf,信息如下,共十一个对应表,第一个为空,不起作用,后面分别是数字和对应的字体编码。

技术分享图片

  然后看了下58font2.xml的内容,如下所示,结合上面的图,可以发现相应的对应关系如下: uni9476(0x9476)和glyph00008都对应着数字7,即对每一个glyph0000x对应数字x-1
技术分享图片
技术分享图片 

 因此只需要将下载的网页中的 (麣室龤厅龤卫 )乱码内容替换为相应的数字即可,需要运用到fontTools模块,具体步骤如下:   
   1,利用fontTools模块解析出对应的编码转换表(convert_dict数据如下:{40611: ‘glyph00004‘, 40804: ‘glyph00009‘, 40869: ‘glyph00010‘......},其中40611即为0x9ea3对应的十进制数)   
   2,将&#x9ea3等十个字体编码进行拼接,组成一个正则pattern,对下载的网页进行匹配搜索    
   3,将匹配到的字体编码,通过编码转换表替换成数字。  
对应代码如下:
def convertNumber(html_page):
    base_fonts = [uni9FA4, uni9F92, uni9A4B, uni9EA3, uni993C, uni958F, uni9FA5, uni9476, uni9F64,
                  uni9E3A]
    base_fonts2 = [&#x + x[3:].lower() + ; for x in base_fonts]  # 构造成 鸺 的形式
    pattern = ( + |.join(base_fonts2) + )‘  #拼接上面十个字体编码

    font_base64 = re.findall("base64,(AA.*AAAA)", response.text)[0]  # 找到base64编码的字体格式文件
    font = base64.b64decode(font_base64)
    with open(58font2.ttf, wb) as tf:
        tf.write(font)
    onlinefont = TTFont(58font2.ttf)
    convert_dict = onlinefont[cmap].tables[0].ttFont.tables[cmap].tables[0].cmap  # convert_dict数据如下:{40611: ‘glyph00004‘, 40804: ‘glyph00009‘, 40869: ‘glyph00010‘, 39499: ‘glyph00003‘
    new_page = re.sub(pattern, lambda x: getNumber(x.group(),convert_dict), html_page)
    return new_page

def getNumber(g,convert_dict):
    key = int(g[3:7], 16)  # ‘&#x9ea3‘,截取后四位十六进制数字,转换为十进制数,即为上面字典convert_dict中的键
    number = int(convert_dict[key][-2:]) - 1  # glyph00009代表数字8, glyph00008代表数字7,依次类推
    return str(number)

2,爬取网页

  字体文件弄清楚后剩下的内容就很简单了,注意下爬取时两次间隔时间,必须大于5秒,否则会要求手势验证码。另外对于爬虫停止爬取的条件,我设置了匹配不到爬取信息和网页页码数小于600,最后发现实际上只有170页。爬取数据并存入数据库,完整代码如下:

技术分享图片
#coding:utf-8

import requests
from lxml import html
import csv
import re
from fontTools.ttLib import TTFont
import base64
import MySQLdb
import time
from download import get_user_agent

def download(url,headers=None,cookies=None,proxies=None,num_retries=3):  #支持user-agent和proxy
    #proxies = {"http": "http://10.10.1.10:3128", "https": "http://10.10.1.10:1080",}
    response=requests.get(url,headers=headers,cookies=cookies,proxies=proxies)
    if response.status_code and 500<=response.status_code<600:  # 出现服务器端错误时重试三次
        if num_retries > 0:
            response = download(url,user_agent,proxies,num_retries-1)
    return response

def convertNumber(html_page):

    base_fonts = [uni9FA4, uni9F92, uni9A4B, uni9EA3, uni993C, uni958F, uni9FA5, uni9476, uni9F64,
                  uni9E3A]
    base_fonts2 = [&#x + x[3:].lower() + ; for x in base_fonts]  # 构造成 &#x9e3a; 的形式
    pattern = ( + |.join(base_fonts2) + )

    font_base64 = re.findall("base64,(AA.*AAAA)", response.text)[0]  # 找到base64编码的字体格式文件
    font = base64.b64decode(font_base64)
    with open(58font2.ttf, wb) as tf:
        tf.write(font)
    onlinefont = TTFont(58font2.ttf)
    convert_dict = onlinefont[cmap].tables[0].ttFont.tables[cmap].tables[0].cmap  # convert_dict数据如下:{40611: ‘glyph00004‘, 40804: ‘glyph00009‘, 40869: ‘glyph00010‘, 39499: ‘glyph00003‘
    new_page = re.sub(pattern, lambda x: getNumber(x.group(),convert_dict), html_page)
    return new_page

def getNumber(g,convert_dict):
    key = int(g[3:7], 16)  # ‘&#x9ea3‘,截取后四位十六进制数字,转换为十进制数,即为上面字典convert_dict中的键
    number = int(convert_dict[key][-2:]) - 1  # glyph00009代表数字8, glyph00008代表数字7,依次类推
    return str(number)

def getLocation(title):
    desc = title.split()
    if u in desc[0]or u社区 in desc[0]:
        location = desc[0].strip(u【整租】【合租】)+desc[2]
    else:
        location=desc[1]
    return location

def getAveragePrice(price):
    price_range = price.split(-)
    if len(price_range)==2:
        average_price = (int(price_range[0])+int(price_range[1]))/2
    else:
        average_price=price
    return average_price

if __name__ == __main__:

    conn = MySQLdb.connect(host=localhost,user=root,passwd=‘‘,db=renthouse,charset=utf8,port=3306) #不要写成utf-8
    cursor = conn.cursor()
    cursor.execute("""CREATE TABLE IF NOT EXISTS 58house(
                        id INT PRIMARY KEY AUTO_INCREMENT NOT NULL,
                        title VARCHAR(128) NOT NULL,
                        location VARCHAR(128) NOT NULL,
                        room VARCHAR(128) NOT NULL ,
                        price VARCHAR(64) NOT NULL ,
                        average_price VARCHAR(64) NOT NULL ,
                        url VARCHAR(768) NOT NULL);""")
    conn.commit()
    seed_url = "https://nj.58.com/pinpaigongyu/pn/{page}/"
    page = 0
    flag=True
    while flag:
        try:
            user_agent = get_user_agent()
            headers={"User_Agent":user_agent}
            page = page+1
            current_url=seed_url.format(page=page)
            print current_url
            response = download(url=current_url,headers=headers)
            new_page = convertNumber(response.text)
            tree = html.fromstring(new_page)
            li_tags = tree.xpath(//ul[@class="list"]/li)
            #print li_tags
            if (not li_tags) or page>600:
                print page
                flag=False
            for li_tag in li_tags:
                title = li_tag.xpath(.//div[@class="des strongbox"]/h2/text())[0].strip()
                room = li_tag.xpath(.//p[@class="room"]/text())[0].replace(\r\n, ‘‘).replace(r , ‘‘)
                price = li_tag.xpath(.//div[@class="money"]//b/text())[0].strip().replace(\r\n, ‘‘).replace(r , ‘‘)
                url = li_tag.xpath(./a[@href])[0].attrib[href].strip()
                location = getLocation(title)
                average_price = getAveragePrice(price)
                cursor.execute("""INSERT INTO 58house(title,location,room,price,average_price,url) 
                        VALUES(‘%s‘,‘%s‘,‘%s‘,‘%s‘,‘%s‘,‘%s‘);"""%(title,location,room,price,average_price,url))
                conn.commit()
        except Exception as e:
            print "download page %s error: %s"%(page,e)
        time.sleep(5) # 停顿时间小于5s时会要求图形验证码
    conn.close()
View Code

  十多分钟后就爬取完毕了,总共170页,爬取第171页时失败,数据库中共存入了3398条数据。

技术分享图片  技术分享图片

 

 

58同城南京品牌公馆数据爬取

标签:分享   mon   online   from   记录   localhost   爬取   XML   http   

原文地址:https://www.cnblogs.com/silence-cho/p/10202552.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!