爬虫练习三：爬取链家二手房信息

在坐地铁通勤的时候看到了一些售房广告，所以这次想要尝试爬取链家发布的各个城市二手房信息，并将其写入本地数据库

1. 网页查看

1）以北京为例

我们要访问的url是https://bj.lianjia.com/ershoufang/。

越过页面上方的筛选区域，就下来就是我们想要爬取的数据。

F12检查网页：

a. 发现房屋的基本信息并不是通过异步加载来获取的，直接通过html代码就可以拿到。所以我们只要访问url就可以爬取到房屋基本信息。

b. 每一页只显示30条记录，进行翻页后发现：第二页url为https://bj.lianjia.com/ershoufang/pg2/，第三页url为https://bj.lianjia.com/ershoufang/pg3/

所以我们只需要对url进行修改即可实现翻页。但是最多只显示100页，将url修改为pg101访问结果是错误。

c. 同时，随着页面的不断下拉，发现有一些jpg是通过异步加载获取的，对应到主页面就是每个房屋对应的图片。因为图片信息不在我们这次要抓取的范围内，所以就不管它了。

扫描二维码关注公众号，回复： 4764150 查看本文章

2）拓展至全国各城市

北京二手房对应的url是https://bj.lianjia.com/ershoufang/，由此猜测，lianjia前的bj就是城市拼音首字母，修改bj就可以切换成其他城市。

比如修改后深圳二手房对应的url就是https://sz.lianjia.com/ershoufang/，而这个修改后的url也确实是正确的。

然后，问题来了，并不是链家上每个城市都有二手房服务，也不是每个城市的拼音首字母都是唯一的，比如深圳和苏州。

所以我们需要知道，在链家上都有提供哪些城市的服务，这些城市对应的url各是什么。

发现链家有一个切换城市的页面，跳转入新页面后，新页面陈列了各个城市，检查元素中也发现了每个城市对应的url。

在拿到的url后加上ershoufang就得到了每个城市二手房的url。

2. 关于反爬

链家反爬难度还是比较小的，主要在于：

1）Headers请求头信息：使用requests进行请求时如果没有附上请求头，就会返回403错误

2）Referer信息：每次请求时请求头都包含上一请求url，如果这个地方不对就容易被反爬机制介入

解决方法：

伪造Headers信息，爬取每个城市的二手房信息都使用一个单独的session。cookies通过session维持，Referer指向上一访问url，Host为该城市首页url

3. 代码实现

import requests
from bs4 import BeautifulSoup
import time
import random
import pymysql

# 从首页获取所有城市的url
def get_city_url():
    url = 'https://aq.lianjia.com/city/'
    header = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection': 'keep-alive',
        'Cookie': 'lianjia_uuid=07e69a53-d612-4caa-9145-b31c2e9410f4; _smt_uid=5c2b6394.297c1ea9; UM_distinctid=168097cfb8db98-058790b6b3796c-10306653-13c680-168097cfb8e3fa; Hm_lvt_9152f8221cb6243a53c83b956842be8a=1546347413; _ga=GA1.2.1249021892.1546347415; _gid=GA1.2.1056168444.1546347415; all-lj=c60bf575348a3bc08fb27ee73be8c666; TY_SESSION_ID=d35d074b-f4ff-47fd-9e7e-8b9500e15a82; CNZZDATA1254525948=1386572736-1546352609-https%253A%252F%252Fbj.lianjia.com%252F%7C1546363071; CNZZDATA1255633284=2122128546-1546353480-https%253A%252F%252Fbj.lianjia.com%252F%7C1546364280; CNZZDATA1255604082=1577754458-1546353327-https%253A%252F%252Fbj.lianjia.com%252F%7C1546366122; lianjia_ssid=087352e7-de3c-4505-937e-8827e808c2ee; select_city=440700; Hm_lpvt_9152f8221cb6243a53c83b956842be8a=1546391853',
        'DNT': '1',
        'Host': 'aq.lianjia.com',
        'Referer': 'https://aq.lianjia.com/',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }
    index_response = requests.get(url=url, headers=header)
    if index_response.status_code!=200: print('connect index False')
    index_soup = BeautifulSoup(index_response.text, 'lxml')

    city_url_dict = {}
    for each_province in index_soup.findAll('div', class_='city_list'):
        for each_city in each_province.findAll('li'):
            city_url_dict[each_city.get_text()] = each_city.find('a')['href']

    return city_url_dict

def get_house_info(city_url, city_name):
    session0_header = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection': 'keep-alive',
        'DNT': '1',
        'Host': city_url.split('/')[-2],
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }
    
    # 会话构建，首先访问该城市首页url，获取cookies信息
    session0 = requests.session()
    session0.get(url=city_url, headers=session0_header)
    
    # 没想到一个方便的方法来保存上一访问的url，用于填入Referer。
    # 直接生成一个列表，列表内包含该城市所有待访问的url
    page_url = [city_url, city_url+'ershoufang']+[city_url+'ershoufang/pg{}/'.format(str(i)) for i in range(2, 101)]
    all_house_list = []

    for i in range(1, 101):
        # 为每一个页面构建不同的Referer信息
        header = {
            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
            'Accept-Encoding': 'gzip, deflate, br',
            'Accept-Language': 'zh-CN,zh;q=0.9',
            'Connection': 'keep-alive',
            'DNT': '1',
            'Host': city_url.split('/')[-2],
            'Referer': page_url[i-1],
            'Upgrade-Insecure-Requests': '1',
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
        }

        index_response = session0.get(url=page_url[i], headers=header)
        # 有些城市可能没有100页的二手房信息，因此执行完最后一页就需要跳出循环
        # 或者没有成功访问页面，返回的状态码不是200，跳出循环
        if index_response.status_code!=200:
            print(city_name, 'page', str(i), 'pass')
            break
        
        time.sleep(random.uniform(2, 4))
        index_soup = BeautifulSoup(index_response.text, 'lxml')

        try:
            for each_house in index_soup.findAll('li', class_='clear LOGCLICKDATA'):
                each_house_dict = {
                    'house_code': each_house.find('div', class_='title').find('a')['data-housecode'],
                    'house_url': each_house.find('div', class_='title').find('a')['href'],
                    'house_name': each_house.find('div', class_='title').find('a').get_text(),
                    'house_desc': each_house.find('div', class_='houseInfo').get_text().replace(' ', ''),
                    'xiaoqu_info': each_house.find('div', class_='positionInfo').get_text().replace(' ', ''),
                    'house_tag': each_house.find('div', class_='tag').get_text('/'), #房屋标签
                    'house_totalPrice': each_house.find('div', class_='totalPrice').get_text(), #总价
                    'house_unitPrice': each_house.find('div', class_='unitPrice').get_text(), #单价
                    'city': city_name
                }
                all_house_list.append(each_house_dict)
            print(city_name, 'page', str(i), 'done', len(all_house_list))
        except:
            print(city_name, 'done, no other left.')
　　　　　　  break

        
        # 因为发现有些城市可能会没有二手房界面，比如滁州。因此加入一个条件判别，如果没有就跳出循环
        if i>4 and len(all_house_list)==0:
            print(city_name, '获取失败')
            break
    
    return all_house_list

# MySQL中创建表
def create_table_mysql():
    db = pymysql.connect(host='localhost', user='root', password='mysqlkey', db='test_db', port=3306)
    cursor = db.cursor()
    cursor.execute('DROP TABLE IF EXISTS ljesf')     # 链家二手房
    
    create_table_sql = '''
            CREATE TABLE ljesf(
                house_code CHAR(30) COMMENT '房屋编号',
                house_url CHAR(100) COMMENT '房屋url',
                house_name CHAR(100) COMMENT '房屋名字',
                house_desc CHAR(100) COMMENT '房屋描述',
                xiaoqu_info CHAR(100) COMMENT '小区描述',
                house_tag CHAR(100) COMMENT '房屋标签',
                house_total_price CHAR(20) COMMENT '总价',
                house_unit_price CHAR(40) COMMENT '单价',
                city CHAR(40) COMMENT '城市'
                )
        '''
    try:
        cursor.execute(create_table_sql)
        db.commit()
        print('create table done')
    except:
        db.rollback() # 数据库回滚
        print('create table not done')
    
    return db, cursor

# 插入到数据库
def insert_into_mysql(db, cursor, all_house_list):
    insert_sql = '''
            INSERT INTO ljesf(
            house_code, house_url, house_name, house_desc, xiaoqu_info, house_tag, house_total_price, house_unit_price, city)
            VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s)
        '''
        
    for each in all_house_list:
        insert_data = [values for key, values in each.items()]
        cursor.execute(insert_sql, insert_data)
    
    try:
        db.commit()
        print('insert done')
    except:
        db.rollback()
        print('insert not done')
        
        
city_url_dict = get_city_url() # 获取每个城市对应的二手房url
db, cursor = create_table_mysql() # 连接数据库
for key, values in city_url_dict.items():
    all_house_list = get_house_info(city_url=values, city_name=key) # 获取每个房屋的信息
    insert_into_mysql(db, cursor, all_house_list) # 插入到mysql
    print(key, 'done')
    
cursor.close() # 关闭游标
db.close() # 关闭数据库连接

 4. 实现效果