基于Scrapy框架爬取厦门房价

本文的运行环境是Win10，IDE是Pycharm，Python版本是3.6。
请先保证自己安装好Pycharm和Scrapy。

爬取的网站是国内著名的房天下网，网址：http://esf.xm.fang.com/，网站界面如下图所示。

网站列表界面.png

网站详情界面.png

可以看出该网站信息较为全面。
用Scrapy的Shell测试该网站是否能爬取。
方法是在任意位置打开cmd或者PowerShell,输入命令scrapy shell "esf.xm.fang.com",
一般来说不会出现错误，如果报错ImportError: DLL load failed: 操作系统无法运行 %1。，解决方法是把C:\Windows\System32目录下的libeay32.dll和ssleay32.dll删除即可。
确定命令正确后运行，结果如下图。

测试能否爬取1.png

在In[1]:后输入命令view(response)，确认命令正确后运行，会自动弹出浏览器窗口，如果出现如下图所示网站，则表示scrapy可以顺利从网站获取信息，即可以完成爬虫任务。

测试能够爬取2.png

从上图看出运行命令后打开的是本地的网站，即网站内容可以顺利从服务器缓存到本地。
在你的工程文件中按住Shit，鼠标右击呼唤出下图所示菜单。
选择下图所标识的在此处打开PowerShell窗口，cmd和PowerShell起到的效果相同。

打开PowerShell.png

在PoweShell中运行命令scrapy startproject XiamenHouse

新建工程成功.png

新建工程成功后，在PowerShell中进入工程的文件，命令是 cd .\XiamenHouse
新建爬虫文件的命令是scrapy genspider house "esf.xm.fang.com"

新建爬虫成功.png
用Pycharm打开爬虫工程

打开爬虫工程1.png

选择工程所在的文件夹打开后，工程结构如下图所示。

image.png
观察房屋详情界面，需要提取15个字段，分别是：标题title，总价price，首付downPayment，户型sizeType，建筑面积size，单价unitPrice，朝向orientation，楼层floor，装修decoration，社区community，区域region，学校school，房源信息houseDetail，核心卖点keySellingPoint，小区配套equipment
月供是动态计算生成，较难爬取。

image.png

image.png

根据上述字段总结，编写工程文件夹中的items.py文件

import scrapy
from scrapy import Field

class XiamenHouseItem(scrapy.Item):
    title = Field()
    price = Field()
    downPayment = Field()
    monthInstallment = Field()
    sizeType = Field()
    size = Field()
    unitPrice = Field()
    orientation = Field()
    floor = Field()
    decoration = Field()
    community = Field()
    region = Field()
    school = Field()
    houseDetail = Field()
    keySellingPoint = Field()
    equipment = Field()

编写工程文件夹中的house.py文件
需要进行多级页面爬取，从scrapy.http中引入Request方法。
爬虫名为house,用于scrapy crawl house命令中。
厦门市有6个区，分别为集美、翔安、同安、海沧、湖里、思明。
每个区有8个价格分类

价格分类.png

在start_urls这个列表中有6*8=48个url,parse函数用于解析这48个url,即分析每个区每个价格区间有多少页房价信息。
parse函数得到每个区每个价格区间的房价信息最大页面数之后，通过字符串拼接得到每一页的url。
每一页的url用yield Request(url,callback=self.parse1)发起请求，并调用parse1函数进行解析。
parse1函数用于获取每一页30个房价详情页面的url链接，通过yield Request(detailUrl,callback=self.parse2)发起请求，并调用parse2函数进行解析。
parse2的难点在于xpath的书写，需要懂xpath基本语法，书写时可以在浏览器的调试器中检查是否正确。
确定xpath书写正确，成功获取到字段后，将字段存入item，最后通过yield item交给管道处理。
python3可以把变量名设置为中文，但必须全部是中文，不能为100万以下这种形式。

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request
from XiamenHouse.items import XiamenHouseItem
import json
class HouseSpider(scrapy.Spider):
    name = 'house'
    allowed_domains = ['esf.xm.fang.com']
    start_urls = []
    region_dict = dict(
        集美 = "house-a0354",
        翔安 = "house-a0350",
        同安 = "house-a0353",
        海沧 = "house-a0355",
        湖里 = "house-a0351",
        思明 = "house-a0352"
    )
    price_dict = dict(
        d100 = "d2100",
        c100d200 = "c2100-d2200",
        c200d250 = "c2200-d2250",
        c250d300 = "c2250-d2300",
        c300d400 = "c2300-d2400",
        c400d500 = "c2400-d2500",
        c500d600 = "c2500-d2600",
        c600 = "c2600"
    )
    for region in list(region_dict.keys()):
        for price in list(price_dict.keys()):
            url = "http://esf.xm.fang.com/{}/{}/".format(region_dict[region],price_dict[price])
            start_urls.append(url)
    #start_urls共有48个，parse函数的作用是找出这48个分类中每个分类的最大页数
    def parse(self, response):
        pageNum = response.xpath("//span[@class='txt']/text()").extract()[0].strip('共').strip('页')
        for i in range(1,int(pageNum)+1):
            url = "{}-i3{}/".format(response.url.strip('/'),i)
            yield Request(url,callback=self.parse1)

    def parse1(self, response):
        house_list = response.xpath("//div[@class='houseList']/dl")
        for house in house_list:
            if "list" in house.xpath("@id").extract()[0]:
                detailUrl = "http://esf.xm.fang.com" + house.xpath("dd[1]/p/a/@href").extract()[0]
                yield Request(detailUrl,callback=self.parse2)

    def parse2(self, response):
        def find(xpath,pNode=response):
            if len(pNode.xpath(xpath)):
                return pNode.xpath(xpath).extract()[0]
            else:
                return ''
        item = XiamenHouseItem()
        item['title'] = find("//h1[@class='title floatl']/text()").strip()
        item['price'] = find("//div[@class='trl-item_top']/div[1]/i/text()") + "万"
        item['downPayment'] = find("//div[@class='trl-item']/text()").strip().strip("首付约 ")
        item['sizeType'] = find("//div[@class='tab-cont-right']/div[2]/div[1]/div[1]/text()").strip()
        item['size'] = find("//div[@class='tab-cont-right']/div[2]/div[2]/div[1]/text()")
        item['unitPrice'] = find("//div[@class='tab-cont-right']/div[2]/div[3]/div[1]/text()")
        item['orientation'] = find("//div[@class='tab-cont-right']/div[3]/div[1]/div[1]/text()")
        item['floor'] = find("//div[@class='tab-cont-right']/div[3]/div[2]/div[1]/text()") + ' ' + \
                        find("//div[@class='tab-cont-right']/div[3]/div[2]/div[2]/text()")
        item['decoration'] = find("//div[@class='tab-cont-right']/div[3]/div[3]/div[1]/text()")
        item['community'] = find("//div[@class='tab-cont-right']/div[4]/div[1]/div[2]/a/text()")
        item['region'] = find("//div[@class='tab-cont-right']/div[4]/div[2]/div[2]/a[1]/text()").strip() + \
                         '-' + find("//div[@class='tab-cont-right']/div[4]/div[2]/div[2]/a[2]/text()").strip()
        item['school'] = find("//div[@class='tab-cont-right']/div[4]/div[3]/div[2]/a[1]/text()")
        detail_list = response.xpath("//div[@class='content-item fydes-item']/div[2]/div")
        detail_dict = {}
        for detail in detail_list:
            key = find("span[1]/text()",detail)
            value = find("span[2]/text()",detail).strip()
            detail_dict[key] = value
        item['houseDetail'] = json.dumps(detail_dict,ensure_ascii=False)
        item['keySellingPoint'] = '\n'.join(response.xpath("//div[text()='核心卖点']/../div[2]/div/text()").extract()).strip()
        item['equipment'] = '\n'.join(response.xpath("//div[text()='小区配套']/../div[2]/text()").extract()).strip()
        yield item

编写工程文件夹中的pipelines.py文件
house_list用于收集每次传递进来的item
close_spider函数用于指明爬虫结束时进行的操作，函数中把house_list先转化为pandas的DataFrame，然后DataFrame转化为excel，最后通过time.process_time() 函数打印程序运行的总时间。

import time
import pandas as pd
class XiamenhousePipeline(object):
    house_list = []

    def process_item(self, item, spider):
        self.house_list.append(dict(item))
        return item

    def close_spider(self, spider):
        df = pd.DataFrame(self.house_list)
        df.to_excel("厦门房价数据(房天下版).xlsx",columns=[k for k in self.house_list[0].keys()])
        print("爬虫程序共运行{}秒".format(time.process_time()))

编写工程文件夹中settings.py文件
删除掉了文件中自带的注释内容，真正起作用的是下面这些代码。

BOT_NAME = 'XiamenHouse'
SPIDER_MODULES = ['XiamenHouse.spiders']
NEWSPIDER_MODULE = 'XiamenHouse.spiders'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 96
ITEM_PIPELINES = {
   'XiamenHouse.pipelines.XiamenhousePipeline': 300,
}

9.在工程文件夹下的任意一级目录在cmd或PowerShell中运行命令scrapy crawl house启动爬虫程序，运行程序产生的excel截图如下。

产生的excel截图.png

提示：

按照上述步骤正确进行，能够获取房天下网站厦门房产的全部信息，本文作者在2018年6月17日的测试结果是共爬取26332条房价信息，总共用时1363秒，即22分43秒。平均爬取速度为19.32条/秒，1159条/分。
确保程序能够正确运行，只需要完全复制上述4个文件即可，整个工程已经上传github，链接：
https://github.com/StevenLei2017/XiamenHouse
自己编写代码，进行测试的时候，可以修改下面代码减少运行时间。

for region in list(region_dict.keys()):
        for price in list(price_dict.keys()):
            url = "http://esf.xm.fang.com/{}/{}/".format(region_dict[region],price_dict[price])
            start_urls.append(url)

改为

for region in list(region_dict.keys())[:1]:
        for price in list(price_dict.keys())[:1]:
            url = "http://esf.xm.fang.com/{}/{}/".format(region_dict[region],price_dict[price])
            start_urls.append(url)