记一次python 爬虫爬取深圳租房信息的过程及遇到的问题

为了分析深圳市所有长租、短租公寓的信息，爬取了某租房公寓网站上深圳区域所有在租公寓信息，以下记录了爬取过程以及爬取过程中遇到的问题：

爬取代码：

import requestsfrom requests.exceptions import RequestExceptionfrom pyquery import PyQuery as pqfrom bs4 import BeautifulSoupimport pymongofrom config import *from multiprocessing import Poolclient = pymongo.MongoClient(MONGO_URL) # 申明连接对象db = client[MONGO_DB] # 申明数据库def get_one_page_html(url): # 获取网站每一页的html headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/85.0.4183.121 Safari/537.36' } try: response = requests.get(url, headers=headers) if response.status_code == 200: return response.text else: return None except RequestException: return Nonedef get_room_url(html): # 获取当前页面上所有room_info的url doc = pq(html) room_urls = doc(’.r_lbx .r_lbx_cen .r_lbx_cena a’).items() return room_urlsdef parser_room_page(room_html): soup = BeautifulSoup(room_html, ’lxml’) title = soup.h1.text price = soup.find(’div’, {’class’: ’room-price-sale’}).text[:-3] x = soup.find_all(’div’, {’class’: ’room-list’}) area = x[0].text[7:-11] # 面积 bianhao = x[1].text[4:] house_type = x[2].text.strip()[3:7] # 户型 floor = x[5].text[4:-2] # 楼层 location1 = x[6].find_all(’a’)[0].text # 分区 location2 = x[6].find_all(’a’)[1].text location3 = x[6].find_all(’a’)[2].text subway = x[7].text[4:] addition = soup.find_all(’div’, {’class’: ’room-title’})[0].text yield { ’title’: title, ’price’: price, ’area’: area, ’bianhao’: bianhao, ’house_type’: house_type, ’floor’: floor, ’location1’: location1, ’location2’: location2, ’location3’: location3, ’subway’: subway, ’addition’: addition }def save_to_mongo(result): if db[MONGO_TABLE].insert_one(result): print(’存储到mongodb成功’, result) return True return Falsedef main(page): url = ’http://www.xxxxx.com/room/sz?page=’ + str(page) # url就不粘啦，嘻嘻 html = get_one_page_html(url) room_urls = get_room_url(html) for room_url in room_urls: room_url_href = room_url.attr(’href’) room_html = get_one_page_html(room_url_href) if room_html is None: # 非常重要，否则room_html为None时会报错 pass else: results = parser_room_page(room_html) for result in results:save_to_mongo(result)if __name__ == ’__main__’: pool = Pool() # 使用多进程提高爬取效率 pool.map(main, [i for i in range(1, 258)])

在写爬取代码过程中遇到了两个问题：

（一）在get_room_url(html)函数中，开始是想直接return每个租房信息的room_url，但是return不同于print，函数运行到return时就会结束该函数，这样就只能返回每页第一个租房room_url。解决办法是：return 包含每页所有room_url的generator生成器，在main函数中用for循环遍历，再从每个room_url中获取href，传入到get_one_page_html(room_url_href)中进行解析。

（二）没有写第76行的if语句，我默认get_one_page_html(room_url_href)返回的room_html不为空，因此出现multiprocessing.pool.RemoteTraceback报错：

上图中显示markup为None情况下报错，点击蓝色'F:ProgramFilesanaconda3libsite-packagesbs4__init__.py'发现markup为room_html，即部分room_html出现None情况。要解决这个问题，必须让代码跳过room_html is None的情况，因此添加 if 语句解决了这个问题。

最终成功爬取某租房公寓深圳市258页共4755条租房信息，为下一步进行数据分析做准备。

其中单条信息：

以上就是记一次python 爬虫爬取深圳租房信息的过程及遇到的问题的详细内容，更多关于python 爬虫的资料请关注好吧啦网其它相关文章！