c 抓取网页数据(编写一个网页下载函数get__txt，Python自动清理)

　　c 抓取网页数据(编写一个网页下载函数get__txt，Python自动清理)

　　从整个数据中获取的信息是通过房源平台获取的，整个过程是通过下载网页元素，进行数据提取和分析来完成的。

　　

　　导入相关网页下载、数据分析、数据处理库

　　from fake_useragent import UserAgent # 身份信息生成库

from bs4 import BeautifulSoup # 网页元素解析库

import numpy as np # 科学计算库

import requests # 网页下载库

from requests.exceptions import RequestException # 网络请求异常库

import pandas as pd # 数据处理库

　　然后，在开始之前，初始化一个身份信息生成的对象，用于以后下载网页时随机生成身份信息。

　　user_agent = UserAgent()

　　编写网页下载函数get_html_txt，从对应的url地址下载网页的html文本。

　　def get_html_txt(url, page_index):

'''

获取网页html文本信息

:param url: 爬取地址

:param page_index:当前页数

:return:

'''

try:

headers = {

'user-agent': user_agent.random

}

response = requests.request("GET", url, headers=headers, timeout=10)

html_txt = response.text

return html_txt

except RequestException as e:

print('获取第{0}页网页元素失败！'.format(page_index))

return ''

　　编写网页元素处理函数catch_html_data解析网页元素，并将解析后的数据元素保存到csv文件中。

　　def catch_html_data(url, page_index):

'''

处理网页元素数据

:param url: 爬虫地址

:param page_index:

:return:

'''

# 下载网页元素

html_txt = str(get_html_txt(url, page_index))

if html_txt.strip() != '':

# 初始化网页元素对象

beautifulSoup = BeautifulSoup(html_txt, 'lxml')

# 解析房源列表

h_list = beautifulSoup.select('.resblock-list-wrapper li')

# 遍历当前房源的详细信息

for n in range(len(h_list)):

h_detail = h_list[n]

# 提取房源名称

h_detail_name = h_detail.select('.resblock-name a.name')

h_detail_name = [m.get_text() for m in h_detail_name]

h_detail_name = ' '.join(map(str, h_detail_name))

# 提取房源类型

h_detail_type = h_detail.select('.resblock-name span.resblock-type')

h_detail_type = [m.get_text() for m in h_detail_type]

h_detail_type = ' '.join(map(str, h_detail_type))

# 提取房源销售状态

h_detail_status = h_detail.select('.resblock-name span.sale-status')

h_detail_status = [m.get_text() for m in h_detail_status]

h_detail_status = ' '.join(map(str, h_detail_status))

# 提取房源单价信息

h_detail_price = h_detail.select('.resblock-price .main-price .number')

h_detail_price = [m.get_text() for m in h_detail_price]

h_detail_price = ' '.join(map(str, h_detail_price))

# 提取房源总价信息

h_detail_total_price = h_detail.select('.resblock-price .second')

h_detail_total_price = [m.get_text() for m in h_detail_total_price]

h_detail_total_price = ' '.join(map(str, h_detail_total_price))

h_info = [h_detail_name, h_detail_type, h_detail_status, h_detail_price, h_detail_total_price]

h_info = np.array(h_info)

h_info = h_info.reshape(-1, 5)

h_info = pd.DataFrame(h_info, columns=['房源名称', '房源类型', '房源状态', '房源均价', '房源总价'])

h_info.to_csv('北京房源信息.csv', mode='a+', index=False, header=False)

print('第{0}页房源信息数据存储成功！'.format(page_index))

else:

print('网页元素解析失败！')

　　编写多线程处理函数，初始化网页下载地址，使用多线程启动调用业务处理函数catch_html_data，启动线程完成整个业务流程。

　　import threading # 导入线程处理模块

def thread_catch():

'''

线程处理函数

:return:

'''

for num in range(1, 50, 3):

url_pre = "https://bj.fang.lianjia.com/loupan/pg{0}/".format(str(num))

url_cur = "https://bj.fang.lianjia.com/loupan/pg{0}/".format(str(num + 1))

url_aft = "https://bj.fang.lianjia.com/loupan/pg{0}/".format(str(num + 2))

thread_pre = threading.Thread(target=catch_html_data, args=(url_pre, num))

thread_cur = threading.Thread(target=catch_html_data, args=(url_cur, num + 1))

thread_aft = threading.Thread(target=catch_html_data, args=(url_aft, num + 2))

thread_pre.start()

thread_cur.start()

thread_aft.start()

thread_catch()

　　数据存储结果展示效果

　　

　　【最好的过去】

　　

　　办公自动化：图像图像转换为 PDF 文档存储...

　　Python做一个微型美颜图像处理器，十行代码就可以完成...

　　使用python作为文本翻译器，自动将中文翻译成英文，超级方便！

　　小王，给这 2000 位客户发一封节日问候邮件……

　　Python 单行命令启用网络间文件共享...

　　PyQt5批量删除Excel重复数据，多个文件，自定义重复一键删除...

　　再见XShell，这个中文开源终端命令行工具更棒了！

　　Python表情包下载器，轻松下载上万个表情和打斗图...

　　Python自动清理电脑垃圾文件，一键启动...

　　有了jmespath，在python中处理json数据就变成了一种乐趣……

　　解锁一个新技能，如何在Python代码中使用表情...

　　万能的list列表，python中栈和队列的实现就靠它了！