屌丝想买房，爬取南京20000多套二手房|上篇

前面爬虫我写了好多篇，一直都是自己造轮子，还没有用爬虫神器scrapy.今天我们就用scrapy来爬取一下南京楼市的数据.代码大概50几行，非常方便.

关于scrapy

scrapy就像是一个做好的模版，框架已经搭建好了，你只需要熟悉它的架构，往里面填东西就行了，非常方便.所以使用前要熟练了解这个框架,整体架构大致如下:

Scrapy运行的大概流程如下：

1).Engine先从调度器中拿出一个起始(URL)

2).Engine把URL封装成一个请求，扔给下载器去下载内容，并封装成应答包response

3).爬虫解析Response,内置了selector对象处理

4).解析出实体（Item）,则传输给实体管道进行进一步的处理

5).接着爬取下一个url,循环上面的步骤

接着我们需要了解下面3个基本动作：

• 如何生成项目

• 如何运行爬取

• 如何输出结果

基本上就是下面的这几个命令运用：

• 一般我们爬虫都很喜欢用BeautifulSoup,BeautifulSoup虽然好用，但是有一个非常大的缺点，就是慢.(为啥是python写的库)

• scrapy框架内置了selector对象来解析数据,selector采用的XPath选择器或者CSS选择器，速度要秒杀bs好几条街. 使用起来需要熟悉一下, 如果有前端经验的同学可以很快上手！

• 对于XPath其实是XPath 是一门在 XML 文档中查找信息的语言，在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档根节点

• 我个人比较喜欢CSS 选择器，因为容易懂

其实scrapy最爽的地方是内置了类似IPython那样的shell调试器，非常好用.好言归正传，我们赶紧开始爬数据吧，看看scrapy如何分分钟爬取二手房的数据

实战爬取南京二手房

我们是要爬取二手房的信息，这样的网站很多房天下，house365,链家等等。这里我选择比较简单的链家网站, 方便爬取.

哇有20937套二手房，我们希望了解下面几个重要参数:

• 房子的位置

• 房子有房间

• 房子的面积

• 房子的总价

• 房子的单价

看一下源码，好不好分析呢呢：

通过查看network里面的数据，发现还比较规整，如果用bs很好获取，这里我用css选择器解析.

1).安装

先用pip install scrapy,scrapy有py2和py3两个版本，这里我用py2版本.

2).创建项目

scrapy startproject nj_house

3).查看创建的项目工程

工程文件说明：

• scrapy.cfg  记录项目的配置信息

• items.py    存放爬取完数据的模板，用于结构化数据

• pipelines    数据处理行为，比如结构化的数据，存放到数据库持久化等等

• settings.py 配置文件，比如递归的层数、并发数，延迟下载等

• spiders       真正干活的爬虫目录，对网页的数据清洗

4).编写爬虫

进入刚才创建的目录，然后敲scrapy genspider创建一个lj_house.py文件

cd nj_house/

scrapy genspider lj_house nj.lianjia.com/ershoufang/

5).查看生成好的模版代码

刚才创建的lj_house.py其实就是我们要解析网页的文件，跟以前爬虫的思路非常类似，首先解析第一个网页，然后获取其他网页的链接，接着挨个爬取解析.

看一下scrapy帮我生成好的代码:

6).编程解析网页文件

scrapy已经帮我写好的框架，这里的parse函数传进来的response就是我们第一个网页的代码,我们print response.text就能看到内容.(记着把setting.py里面的ROBOT协议尊守改为False,不如爬不了任何数据).

<span style="background-color:#472c47;">ROBOTSTXT_OBEY</span> <span style="color:#f92672;">= </span><span style="color:#66d9ef;font-style:italic;">False</span>

接着我们修改起始的网页链接，并且编写parse函数就可以了

我们存放数据的时候，用了一个HouseSpiderItem类，这个类是在item.py文件中生成的.

<span style="color:#66d9ef;font-style:italic;">class </span><span style="color:#a6e22e;">HouseSpiderItem</span>(scrapy.Item)<span style="color:#f92672;">:<br  />    </span><span style="color:#75715e;"># define the fields for your item here like:<br  />    # name = scrapy.Field()<br  />    </span>house<span style="color:#f92672;">=</span>scrapy.Field()<br  />    total_price<span style="color:#f92672;">=</span>scrapy.Field()<br  />    unit_price<span style="color:#f92672;">=</span>scrapy.Field()<br  />    house_room<span style="color:#f92672;">=</span>scrapy.Field()<br  />    house_area<span style="color:#f92672;">=</span>scrapy.Field()

注意scrapy大量用yield生成器，yield算是python中一个比较难的概念，具体可以看我的历史文章(Python写个迷你聊天机器人|生成器的高级用法)里面有很详细的介绍

7).获取下一个网页链接

类似前面的方法，把页面拉到最下面，看一下底部的下一个网页的链接：

经过上面几步，大功告成，运行一下吧：

scrapy crawl nj_house

直接生成csv文件

scrapy crawl nj_house -o house.csv

一个区域大概2-3000多套，南京有11个区域，依次爬取就可以获得所有的二手房数据.

结论：

爬取南京二手房这个例子比较简单，适合小白上手练习scrapy.其实scrapy威力非常强大，后面我会用scrapy爬取更加大型和复杂的网站。这篇文章只是上篇，二手房的数据还没有分析呢，敬请期待下篇！大家若有什么问题，欢迎留言讨论. 需要源码请留言.

另外周末开通小密圈，寻找100位铁杆粉丝,目前人数出乎我的意料，很快已经超过100人. 超过100人小密圈就涨价了,小密圈有效期是2017/10/13-2018/10/13,其实越早加入越划算.

欢迎大家关注 菜鸟学Python",更多好玩有趣的Python原创教程,趣味算法,经验技巧,行业动态，尽在菜鸟学Python,一起来学python吧

来源 | 菜鸟学Python

作者 | xinxin

本篇文章来源于: 菜鸟学Python