生活中遇到了问题,想去成都买个房,那哪个区域性价比高肯定要考虑一番了,最粗暴直接的就是看租售比,遂打算去链家网爬上各个小区的卖房单价和租房单价比上一比,python写爬虫无疑是最流行的了,但最近在研究node,感觉写个爬虫强化一下node姿势水平还是挺不错的。开整。
首先http请求工具和dom解析工具是必不可少的,严谨的说是对于像我这样的菜鸟是必不可少的,http请求工具我选了 request,主流的还有 superagent 可选,dom解析 cheerio 应该是不二选择了,接口和 jquery 一样一样的。如果没接触过请先自行了解这两个库。
基本环境先搭建好,这个不在讨论范围,
github:https://github.com/huanqingli/node-web-spider
1. 第一步我们先看抓一个网页是啥样的:
router.get('/sell_price', (req, res, next) => { request({ url:'http://cd.lianjia.com/ershoufang/pg1ng1nb1l1/', headers: { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.3 (KHTML, like Gecko) Chrome/55.0.2883.9 Safari/537.3' } }, function (error, response, body) { if (!error && response.statusCode == 200) { res.send(body) } }) }
不出所料的话,你访问本机 sell_price 路由的时候链家对应的页面就会出现了。
其中有两点要说明,有的时候你不带User-Agent,网站会拒绝你的请求,chrome开发工具network里面随便找个连接,把里面User-Agent给考出来贴上,有备无患。
链家是UTF-8编码,就没啥说法了,但是比如网易,它是gb2312编码的,你拿过来就成火星文了,此时需要搞个解码工具,iconv-lite应该是主流了。我去爬了下网易,要注意一点,request拿过来的时候已经帮你按UTF-8解码了,你需要request时候设置encoding: null(与设置url同级),拿回来个buffer,再用iconv-lite解码。
2. 第二步我们抓过来是要获取里面的有用信息的,具体到我的目的,就是房价,面积,小区名等,
var $=cheerio.load(body); 以后,你用 jQuery 怎么取值就用 cheerio 怎么取值,比如说:
$('.sellListContentlia.img').eq(i).attr('href') 一个页面有30个房源,这就拿到了第 i 个房源的连接,进而去获取房源详细信息。我抓了两次试了试,发现 IP 被拦住了,说我访问太频繁,要认证。其实大多数网站都有这个限制,这就不爽了,怎么办,找代理。
3. 代理是这么爬下来的:
router.get('/proxy',(req, res, next) => { function checkProxy(proxy) { return request({ url: 'http://cd.lianjia.com/ershoufang/pg1ng1nb1l1/', proxy: "http://" + proxy['ip'] + ":" + proxy['port'], timeout: 5000, //2s没有返回则视为代理不行 headers: { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.3 (KHTML, like Gecko) Chrome/55.0.2883.9 Safari/537.3' } }, function (error, response, body) { if(!error) { if (response.statusCode == 200) { console.log(response.request['proxy']['href'], "useful!"); Ip.create({proxyIp:response.request['proxy']['href']}); //Ip是mogoose建立的数据库模块储存Ip } else { console.log(response.request['proxy']['href'], "failed!"); } } }); } request({ url:'http://www.xicidaili.com/nn/1', headers: { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.3 (KHTML, like Gecko) Chrome/55.0.2883.9 Safari/537.3' } }, function (error, response, body) { if (!error && response.statusCode == 200) { var $ = cheerio.load(body); var trs = $("#ip_list tr"); for(var i=1;i<trs.length;i++){ var proxy = {}; var tr = trs.eq(i); var tds = tr.children("td"); proxy['ip'] = tds.eq(1).text(); proxy['port'] = tds.eq(2).text(); var speed = tds.eq(6).children("div").attr("title"); speed = speed.substring(0, speed.length-1); var connectTime = tds.eq(7).children("div").attr("title"); connectTime = connectTime.substring(0, connectTime.length-1); if(speed <= 5 && connectTime <= 1) { //用速度和连接时间筛选一轮 checkProxy(proxy); } } } }) });
还是熟悉的配方还是同样的味道,从http://www.xicidaili.com/nn爬下代理信息,筛选一遍存到数据库。
4. 存了二十几个能用的代理,开始爬售房连接吧:
var urlsArray = []; const pageNum = 100; const housePerPage = 30; router.get('/sell_price', (req, res, next) => { function saveUrl(url) { return Url.create({sellUrl:url}) //Url是mogoose建立的数据库模块储存售房连接 } var allHouseUrls = async function (ips) { var j=1 ; while(j<= pageNum){ await new Promise( function (resolve, reject) { request({ url:'http://cd.lianjia.com/ershoufang/pg'+j+'ng1nb1l1/', proxy: ips[Math.floor(Math.random()*ips.length)].proxyIp, timeout: 5000, headers: { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.3 (KHTML, like Gecko) Chrome/55.0.2883.9 Safari/537.3' } }, function (error, response, body) { if (!error && response.statusCode == 200) { console.log(ips[Math.floor(Math.random()*ips.length)].proxyIp); var $ = cheerio.load(body); for(let i=0;i<housePerPage;i++){ if($('.sellListContent li a.img').eq(i).attr('href')&&urlsArray.indexOf($('.sellListContent li a.img').eq(i).attr('href'))==-1){ urlsArray.push($('.sellListContent li a.img').eq(i).attr('href')); saveUrl($('.sellListContent li a.img').eq(i).attr('href')); } } j+=1; resolve() } else{ console.log(error); resolve() } }) } ) } }; Ip.find({},function (err, ips) { allHouseUrls(ips); }) }); module.exports = router;
要说明的就两点,取到代理 ip 后,每次请求随机一个ip,如果请求失败(事实证明失败率很高免费代理并不是很可靠),本次循环作废,重新随机一个 ip 再请求。如此进行下去,n长时间后终于成功发送了100个请求,请求了3000个连接。可想而知成功发送3000个请求将是一场灾难。转战安居客,每个页面可以获得50条房屋数据而且不限ip!
async,awaite,Promise用作异步控制,node7.6以上默认支持,还有其他好多异步方案可选,怎么着都行。
5. 爬安居客代码如下:
router.get('/sell_price', (req, res, next) => { var allHouseInfo = async function (area) { var j=1 ; while(j<= pageNum){ await new Promise( function (resolve, reject) { request({ url:'http://chengdu.anjuke.com/sale/'+area+'/b54-p'+j, // proxy: ips[Math.floor(Math.random()*ips.length)].proxyIp, // timeout: 2000, headers: { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.3 (KHTML, like Gecko) Chrome/55.0.2883.9 Safari/537.3' } }, function (error, response, body) { if (!error && response.statusCode == 200) { var $ = cheerio.load(body); var lists = $('#houselist-mod li'); for(var i=0;i<lists.length;i++){ var info = { area:lists.eq(i).find('.details-item').children('span').eq(0).text().slice(0,-2), price:lists.eq(i).find('.details-item').children('span').eq(2).text().slice(0,-4), year:lists.eq(i).find('.details-item').children('span').eq(4).text().slice(0,4), garden:lists.eq(i).find('.details-item').eq(1).children('span').attr('title').split('[')[0].slice(0,-2) }; Sell.create(info); // console.log(info) } j+=1; resolve() } else{ console.log(error); resolve() } }) } ) } }; allHouseInfo("gaoxin"); allHouseInfo("wuhou"); allHouseInfo("qingyang"); allHouseInfo("jinjiang"); allHouseInfo("chenghua"); allHouseInfo("jinniu"); allHouseInfo("longquanyi"); });
没有新东西,爬了12000条房屋数据,也就是2秒钟的事,存在数据库里备用。就写到这,后面的事儿就是数据分析啦。