文章目录
所需库
requests库
requests模块在python内置模块的基础上进行了高度的封装，从而使得python进行网络请求时，变得更加简洁和人性化。
详看：request库具体用法
BeautifulSoup库
Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据
它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。
详看：BeautifulSoup库具体用法
补充所需知识
1.请求头：headers
2.python的os库
3.python的time库
from bs4 import BeautifulSoup # 主要用来解析 html 标签
import requests # 请求网页获取数据的库
import time # python中处理时间的标准库
import os
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/79.0.3945.130 Safari/537.36'}
global x #必须声明两处的全局
x=0
jpg_dir="jpg_cxk/"
if not os.path.exists(jpg_dir):#如果没有这个文件夹 就新建文件夹
os.mkdir(jpg_dir)
def judgment_sex(class_name): # 判断性别
if class_name == ['member_ico']:
return '男'
else:
return '女'
def get_link(url):
web_data = requests.get(url, headers=headers)
soup = BeautifulSoup(web_data.text, 'lxml')
links = soup.select('#page_list > ul > li > a') # links为URL列表 搞清楚你要爬的东西，是进入页面的URL链接
# print(links)
for link in links: # link不用赋值
href = link.get("href") # href只能get参数
get_info(href) # 循环出的URL，依次调用get_info()函数
# 需要爬取的信息有：标题，地址，价格，房东名称，房东性别，和房东头像
def get_info(url):
global x #必须声明两处的全局
wb_data = requests.get(url, headers=headers)
soup = BeautifulSoup(wb_data.text, 'lxml') # BeautifulSoup可以轻松地解析request库请求的网页 ‘lxml'速度快，容错率强
tittles = soup.select('div.pho_info > h4 ') # 括号内为标签 标题
# print(tittles)
addresses = soup.select(' span.pr5') # 地址
print(addresses)
prices = soup.select('#pricePart > div.day_l > span') # 价格 标签信息一定要写对
imgs = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > a > img') # 图片
names = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')
# print(prices) 结果表明的确得到了价格
sexs = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > div')
for img in imgs:
try:
cxk = img.get('src') # 图片地址
print('正在下载：%s' % cxk)
# image = urlopen(attr)
ir = requests.get(cxk)
open(jpg_dir + '%d.jpeg' %x, 'wb').write(ir.content) # 打开并写入
x += 1
except:
continue
for tittle, address, price, img, name, sex in zip(tittles, addresses, prices, imgs, names, sexs):
data = {
'tittle': tittle.get_text().strip(), # 通过get_text()获取标签信息
'address': address.get_text().strip(),
'price': price.get_text(),
'img': img.get("src"),
'name': name.get_text(),
'sex': judgment_sex(sex.get("class"))
}
print(data)
if __name__ == '__main__':
urls = ['http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(number) for
number in range(1, 14)]
for single_url in urls:
get_link(single_url) # 循环调用get_link()函数
time.sleep(5) # 睡眠两秒