一、实战场景

Python 如何实现采集二手房列表信息并存储文件

二、知识点

python 基础语法

python 文件读写

BeautifulSoup 网页解析

requests 发送网络请求

tqdm 进度条

三、菜鸟实战

采集目标网站

列表页数据采集

'''Description: 代码供参考学习使用'''from __future__ import annotationsimport osimport platformimport pandas as pdfrom bs4 import BeautifulSoupfrom tqdm import tqdm  # 进度条库from base_spider import BaseSpiderfrom base_url_item import UrlItemclass Tao365Spider(BaseSpider):    # 采集365淘房二手房信息    target_url = "http://nj.sell.house365.com/district/p1.html"  # 采集目标链接    list_data_file = 'tao365_list.csv'  # 采集数据保存的文件    url_items: list[UrlItem] = []  # 采集链接数组    PAGE_START = 1  # 采集开始页码    PAGE_STEP = 5  # 采集步长    def __init__(self): # 初始化日志 self.init_log() # 默认采集的上一页为第 1 页 start_page = self.PAGE_START list_file_path = self.fileManger.get_data_file_path(self.list_data_file) if os.path.isfile(list_file_path):     # 读取列表文件, 确定上一次采集的第几页, 以支持连续采集     self.logger.info("数据文件存在")     self.data_file_exist = True     # 计算从第几页开始采集     list_df = pd.read_csv(list_file_path, usecols=['第几页'], encoding=self.encoding)     max_page = pd.DataFrame(list_df[2:]).max()     start_page = int(max_page) + 1 print("采集页面范围: 第[%s]页至第[%s]页" % (start_page, start_page + self.PAGE_STEP - 1)) for page in range(start_page, start_page + self.PAGE_STEP):     # 初始化采集链接     url = self.target_url.replace("p1", "p" + str(page))     # 构造采集对象     url_item = UrlItem(url=url, page=page)     self.url_items.append(url_item)    def crawl_data(self): for url_item in tqdm(self.url_items):     # 采集数据     url = url_item.url     self.logger.debug("当前采集页面信息: %s", url)     # 发送请求, 获取数据     page_content = self.get_content_from_url(url)     # 解析数据     page_data = self.parse_page(page_content, url_item)     self.logger.debug("采集数据量: %s", len(page_data))     # 保存数据到文件     cols = ['标题', '标题链接', '房源id', '图片', '第几页']     self.save_to_file(page_data, cols)     # 防止反爬， 随机休眠一段时间     self.sleep_random()    def parse_page(self, content, url_item: UrlItem): # 利用BeautifulSoup标准库，解析页面信息 soup = BeautifulSoup(content, 'lxml') # 初始化数组 datalist = [] for element in soup.find_all("div", attrs={'class': 'listItem'}):     # 解析单条信息     # 判断是否为有效数据     if element.img.has_attr("data-original"):  # 依次解析, 标题, 标题链接, 房源id, 图片  title = element.find("a", class_='listItem__title').text.strip()  title_link = element.find("a", class_='listItem__title')['href']  house_id = element.find("a", class_='listItem__title')['house-id']  image = element.img["data-original"]  datalist.append([title, title_link, house_id, image, url_item.page]) return datalist    def run(self): self.logger.debug("采集开始") self.crawl_data() self.logger.debug("采集结束")if __name__ == '__main__':    print("采集365淘房二手房信息")    spider = Tao365Spider()    spider.run()    print("python 版本", platform.python_version())

存储采集数据到文件

    def save_to_file(self, data, cols): # 保存到文件 file_path = self.fileManger.get_data_file_path(self.list_data_file) # 初始化数据 frame = pd.DataFrame(data) if not self.data_file_exist:     # 第一次写入带上列表头，原文件清空     frame.columns = cols     frame.to_csv(file_path, encoding=self.encoding, index=None)     self.data_file_exist = True  # 写入后更新数据文件状态 else:     # 后续不写如列表头，追加写入     frame.to_csv(file_path, mode="a", encoding=self.encoding, index=None, header=0) self.logger.debug("文件保存完成")

运行结果

运行截图

采集365淘房二手房信息采集页面范围: 第[1]页至第[5]页100%|██████████| 5/5 [00:10<00:00,  2.12s/it]python 版本 3.9.10进程已结束,退出代码0

结果文件

资源链接

https://download.csdn.net/download/qq_39816613/87368287

菜鸟实战，持续学习！

狗狗宠物资料大全