「爬虫」从某网站爬取数据

一、缘 起

要买房，但是大西安现在可谓是一房难求，大家都争先恐后地排队交资料、摇号。截止到现在，笔者已经参与过6个楼盘的摇号/选房，但种种原因，依然没买到合适的房子，无奈，一首 凉~ 凉~ 回荡在心~
。。。。。。
—— 来自《 定时从某网站爬取压缩包 》

在上一篇文章 定时从某网站爬取压缩包 的基础上，这次实现的功能是从房管局信息登记网站爬取数据并写入csv文件。

二、思 路

首先，使用Python urlopen方法获取页面源码
然后，调用Python BeautifulSoup方法库，实现HTML页面数据灵活提取
最后，将提取出来的页面数据写入csv文件并打开

三、说 明

1. Python3.6 + BeautifulSoup库 + .bat脚本
2. 主脚本为getRegisDatas.py、writeCsv.py为写csv文件的脚本、openCsv.bat为打开csv文件的脚本，爬取的数据写入regisData.csv文件中

四、实 现

先上两张房管局网站

• getRegisData.py

1. 主脚本定义四个函数，分别为：get_soup()、get_page_url()、get_result_url()、get_regis_data()
2. 每次运行前会先删除csv文件，再重新生成csv文件并写入数据
3. 调用write_csv函数写入数据到csv文件
4. 注意：每次运行脚本前确保关闭csv文件，否则csv文件被占用程序会报异常

from autoGetRegisDatas.writeCsv import write_csv
from bs4 import BeautifulSoup
from urllib import request
import os
import re


def get_soup(url):
    """
    将页面用BeautifulSoup库处理
    :return:
    """
    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:59.0) Gecko/20100101 Firefox/59.0"
    }
    req = request.Request(url, headers=header)
    html = request.urlopen(req).read().decode('utf-8')
    soup = BeautifulSoup(html, 'html.parser')
    return soup


def get_page_url(url):
    """
    从登记结束页面爬取所有分页url，存入列表中
    :param url:
    :return:
    """
    page_url = []
    paging = get_soup(url).find_all(href=re.compile('page'))
    if paging is not []:
        for paging_i in range(len(paging)-1):
            page_url.append(url.split('xmgs')[0] + paging[paging_i]['href'])

    return page_url


def get_result_url(url):
    """
    从登记结束页面爬取所有的结果公示url
    :return:
    """
    result_url = []
    result_list = get_soup(url).find_all('span', string='结果公示')
    for result_list_i in result_list:
        result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])

    if get_page_url(url) is not []:
        for page_i in get_page_url(url):
            result_list = get_soup(page_i).find_all('span', string='结果公示')
            for result_list_i in result_list:
                result_url.append(url.split('xmgs')[0] + result_list_i['onclick'].split("='")[1].split("'")[0])

    return result_url


def get_regis_data(result_url):
    """
    从结果公示页面获取每个楼盘登记的数据
    :return:
    """
    for result_url_i in result_url:
        regis_data = []
        gs = get_soup(result_url_i)
        house_name = gs.find(string=re.compile('意向登记结果公示')).split(' 意向')[0].strip()
        regis_data.append(house_name)
        all_data = gs.find_all('font')
        for data_i in all_data:
            regis_data.append(data_i.string.strip())
        write_csv(regis_data)


os.remove('regisData.csv')
url1 = 'http://124.115.228.93/zfrgdjpt/xmgs.aspx?state=4'
url2 = 'http://124.115.228.93/zfrgdjpt/xmgsca.aspx?state=4'
lst = [url1, url2]
write_csv(['项目名', '房源数', '登记数', '资料核验数', '核验通过数', '刚需数', '普通数', '未通过数'])
for lst_i in lst:
    get_regis_data(get_result_url(lst_i))
os.system("openCsv.bat")
print('ok!')

• writeCsv.py
  用于给csv文件写爬取的数据

import csv

def write_csv(row_list):
    """
    数据写入csv文件
    :return:
    """
    with open('regisData.csv', 'a', newline='') as csvfile:
        writer = csv.writer(csvfile, dialect='excel')
        writer.writerow(row_list)

• openCsv.bat
  用于打开regisData.csv文件夹

start %~dp0
egisData.csv

五、最 后

Git地址：https://gitee.com/freedomlidi/autoGetRegisDatas.git

OK！