Python通过代理使用多线程爬取安居客二手房数据(二)

2023-10-24 12:52

本文主要是介绍Python通过代理使用多线程爬取安居客二手房数据(二),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在上一篇文章python使用代理爬取安居客二手房数据(一)上增加爬取内容
爬取内容为::‘待售房屋’, ‘室’, ‘厅’, ‘卫’, ‘面积’, ‘面积单位’, ‘朝向’, ‘楼层’, ‘建筑年份’,
‘小区名称’, ‘区’, ‘镇’, ‘道路’, ‘标签’, ‘总价’, ‘总价单位’, ‘均价’, ‘均价单位’ 并使用多线程提高爬取速度

爬取网址管理器

"""
@author rubyw
爬虫的url管理器
"""class CrawlerUrlManager():def __init__(self):self.new_urls = set()self.old_urls = set()# 新增一个待爬取Urldef add_new_url(self, url):if url is None or len(url) == 0:returnif url in self.new_urls or url in self.old_urls:returnself.new_urls.add(url)return True# 批量新增urldef add_new_urls(self, urls):if urls is None or len(urls) == 0:returnfor url in urls:self.add_new_url(url)# 获取一个要爬取的urldef get_url(self):if self.has_new_url():url = self.new_urls.pop()self.old_urls.add(url)return urlelse:return None# 批量获取待爬取的urldef get_new_urls(self, num):returnUrls = set()if num is None or type(num) != int or num <= 0:return returnUrlselse:i = 0while self.has_new_url() and i < num:url = self.new_urls.pop()self.old_urls.add(url)returnUrls.add(url)i = i + 1return returnUrls# 判断是否有待爬取的urldef has_new_url(self):return len(self.new_urls) > 0# 获取待爬取url的数量def get_new_url_size(self):return len(self.new_urls)# 获取已爬取url的数量def get_old_url_size(self):return len(self.old_urls)if __name__ == "__main__":url_manager = CrawlerUrlManager()# 添加两个url,批量添加故意添加一个重复的url,看去重是否okurl_manager.add_new_url("url1")url_manager.add_new_urls(["url1", "url2"])print(url_manager.new_urls, url_manager.old_urls)# 获取一个url,然后打印两个集合print("#" * 30)new_url = url_manager.get_url()print(url_manager.new_urls, url_manager.old_urls)# 再获取一个url,然后打印两个集合print("#" * 30)new_url = url_manager.get_url()print(url_manager.new_urls, url_manager.old_urls)# 看看两个集合中还有没有Urlprint("#" * 30)print(url_manager.has_new_url())

爬取二手房数据

"""
爬取安居客网站苏州的二手房数据
启动方法:进入/anjuke目录下,执行python secondhand_house_crawler.py
"""import requests
from bs4 import BeautifulSoup
import threading
import time
import csv
from crawlUrlManager import CrawlerUrlManagerdef get_proxies():proxy_list = []proxy_url = ''  # 替换成自己的try:datas = requests.get(proxy_url).json()print(datas['code'])# 如果代理ip获取成功if datas['code'] == 0:proxy_list = datas['data']['proxy_list']# data_array = datas['data']# for i in range(len(data_array)):#     proxy_ip = data_array[i]['ip']#     proxy_port = str(data_array[i]['port'])#     proxy = proxy_ip + ":" + proxy_port#     proxy_list.append({'http': 'http://' + proxy, 'https': 'http://' + proxy})else:code = datas['code']print(f'获取代理失败,状态码={code}')return proxy_listexcept Exception as e:# print('调用天启API获取代理IP异常:' + e)print('调用快代理API获取代理IP异常:' + e)return proxy_listdef craw_anjuke_wuhan(craw_url, proxy):if craw_url is None:print(threading.current_thread().getName() + ' craw_url is None')return# 用户名密码认证(私密代理/独享代理)username = ""  # 替换成自己的password = ""  # 替换成自己的proxies = {"http": "http://%(user)s:%(pwd)s@%(proxy)s/" % {'user': username, 'pwd': password,'proxy': proxy},"https": "http://%(user)s:%(pwd)s@%(proxy)s/" % {'user': username, 'pwd': password,'proxy': proxy}}print(proxies)print(threading.current_thread().getName() + f' is crawing {craw_url}...使用代理{proxy}')# 构造url的request headers,伪装成正常用户headers = {'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7','accept-encoding': 'gzip, deflate, br','accept-language': 'zh-CN,zh;q=0.9','cache-control': 'no-cache','cookie': 'aQQ_ajkguid=70C0288A-42CB-4C56-B8EF-8E90F8077A8C; sessid=13C76F04-9178-4EE8-B8B0-F00FE21F4F50; ajk-appVersion=; ctid=22; fzq_h=d23302afd92c82b304657a734e3950aa_1697613588983_b645e9292cff4c148c0e3fb2ff31662e_3746354997; id58=CrIej2Uvhxc/D8k8IRI2Ag==; twe=2; fzq_js_anjuke_ershoufang_pc=8e86fa86290dbac07d5de51dd3b9db13_1697615100824_23; obtain_by=1; xxzl_cid=817f908b661647889fa49debaab80d9c; xxzl_deviceid=lrdQ4FRXrfXyN2Qj/gRhBw2SQpTZ81igKeOBCkzlfzjPwEG8whpE1uKNvVqIOvXQ','host': 'wuhan.anjuke.com','pragma': 'no-cache','referer': 'https://wuhan.anjuke.com/sale/jianghana/p1/','sec-ch-ua': '"Google Chrome";v="117", "Not;A=Brand";v="8", "Chromium";v="117"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': "Windows",'sec-fetch-dest': 'document','sec-fetch-mode': 'navigate','sec-fetch-site': 'same-origin','sec-fetch-user': '?1','upgrade-insecure-requests': '1','user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/117.0.0.0 Safari/537.36'}with open('data/wuhanSecondHouse.csv', 'a', newline='', encoding="gbk") as f:# 有代理用代理,没代理直接爬if proxy is None:r = requests.get(craw_url, headers=headers, timeout=3)else:r = requests.get(craw_url, headers=headers, proxies=proxies, timeout=3)# 如果正常返回结果,开始解析if r.status_code == 200:content = r.text# print(content)soup = BeautifulSoup(content, 'html.parser')content_div_nodes = soup.find_all('div', class_='property-content')for content_div_node in content_div_nodes:# 获取房产标题内容content_title_name = content_div_node.find('h3', class_='property-content-title-name')title_name = content_title_name.get_text()# 获取房子户型content_layout = content_div_node.find('p',class_='property-content-info-text property-content-info-attribute')layout_datas = content_layout.find_all('span')datas_shi = layout_datas[0].get_text() + layout_datas[1].get_text()datas_ting = layout_datas[2].get_text() + layout_datas[3].get_text()datas_wei = layout_datas[4].get_text() + layout_datas[5].get_text()# 获取房子的面积、朝向、楼层和建筑年份square_num = ''square_unit = ''orientations = ''floor_level = ''build_year = ''content_extra_info_datas = content_div_node.find_all(lambda content_div_node: content_div_node.name == 'p' and content_div_node.get('class') == ['property-content-info-text'])for i in range(len(content_extra_info_datas)):if i == 0:square = content_extra_info_datas[0].get_text().strip()square_num = square[0:len(square) - 1]square_unit = square[len(square) - 1:]if i == 1:orientations = content_extra_info_datas[1].get_text().strip()if i == 2:floor_level = content_extra_info_datas[2].get_text().strip()if i == 3:build_year = content_extra_info_datas[3].get_text().strip()# 获取房子的小区名称、位置信息(区-镇-道路)content_info_comm = content_div_node.find('div',class_='property-content-info property-content-info-comm')# 获取小区名称housing_estate = content_info_comm.find('p',class_='property-content-info-comm-name').get_text().strip()# 获取小区地址信息content_info_address = content_info_comm.find('p',class_='property-content-info-comm-address').find_all('span')district = content_info_address[0].get_text().strip()town = content_info_address[1].get_text().strip()road = content_info_address[2].get_text().strip()# 获取房子的更多tag信息,比如朝向、是否满五唯一、房子新旧、是否近地铁等content_info_tag = content_div_node.find_all('span', class_='property-content-info-tag')tagstr = ''for i in range(len(content_info_tag)):tagstr = tagstr + content_info_tag[i].get_text().strip() + ','# 获取房子价格信息price_info_datas = content_div_node.find('div', class_='property-price')total_price = price_info_datas.find('span', class_='property-price-total-num').get_text().strip()total_price_unit = price_info_datas.find('span', class_='property-price-total-text').get_text().strip()avarage_price = price_info_datas.find('p', class_='property-price-average').get_text().strip()avarage_price_num = avarage_price[0:len(avarage_price) - 3]avarage_price_unit = avarage_price[len(avarage_price) - 3:]# 输出到文件writer = csv.writer(f)writer.writerow([title_name, datas_shi, datas_ting, datas_wei, square_num, square_unit, orientations, floor_level,build_year, housing_estate, district, town, road, tagstr, total_price, total_price_unit,avarage_price_num, avarage_price_unit])# f.write("%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s;%s\n" % (# title_name, datas_shi, datas_ting, datas_wei, square_num, square_unit, orientations, floor_level,# build_year, housing_estate, district, town, road, tagstr, total_price, total_price_unit,# avarage_price_num, avarage_price_unit))print(f'{threading.current_thread().getName()} crawl over!;Crawler Url is:{craw_url}')else:print(f'{threading.current_thread().getName()} crawl fail!status code={r.status_code};Crawler Url is:{craw_url}')if __name__ == '__main__':# 先将标题写入结果数据文件with open('data/wuhanSecondHouse.csv', 'w', newline='', encoding='gbk') as f:writer = csv.writer(f)writer.writerow(['待售房屋', '室', '厅', '卫', '面积', '面积单位', '朝向', '楼层', '建筑年份', '小区名称', '区', '镇', '道路', '标签', '总价', '总价单位', '均价','均价单位'])# 假设爬取crawler_pages页,生成待爬取的url,放入url池管理起来crawlerUrlManager = CrawlerUrlManager()# 要爬取的页数,默认为100,可调整crawler_pages = 200for i in range(crawler_pages):region = "jianghana"url = 'https://wuhan.anjuke.com/sale/{region}/p{page}/'craw_url = url.format(region=region, page=i)crawlerUrlManager.add_new_url(craw_url)# 尝试获取代理ip,避免同一个ip频繁访问被网站的反爬机制给封禁proxy_list = get_proxies()proxy_num = len(proxy_list)if proxy_num >= 2:  # 如果获取到代理ip,则用代理ip,建议至少获取5个及以上的代理ip,爬取的时候每个线程一个ip进行爬取print(f'获取到{proxy_num}个代理ip,开始使用代理IP爬取页面数据...')while crawlerUrlManager.has_new_url():crawler_threads = []for i in range(len(proxy_list)):proxy = proxy_list[i]print(crawlerUrlManager.get_url())crawler_thread = threading.Thread(craw_anjuke_wuhan(crawlerUrlManager.get_url(), proxy))crawler_threads.append(crawler_thread)# 启动线程开始爬取for crawler_thread in crawler_threads:crawler_thread.start()for crawler_thread in crawler_threads:crawler_thread.join()# 谨慎起见,一批线程爬取结束后,间隔一段时间,再启动下一批爬取,这里默认设置为3秒,可调整time.sleep(3)else:  # 如果没获取到代理ip,则直接爬取,控制一下每个线程爬取的间隔时间,不要太频繁try:print('没有获取到代理IP,开始使用自身IP爬取页面数据...')while crawlerUrlManager.has_new_url():crawler_thread = threading.Thread(target=craw_anjuke_wuhan, args=(crawlerUrlManager.get_url(), None))crawler_thread.start()crawler_thread.join()time.sleep(10)  # 为避免同一个ip频繁爬取被反爬封禁,一线程爬取完后,等待10秒再爬取下一个页面except Exception as e:print('Crawler Excepiton:' + e)finally:print(f'已爬取的url数量:{crawlerUrlManager.get_old_url_size()}')print(f'未爬取的url数量:{+crawlerUrlManager.get_new_url_size()}')if crawlerUrlManager.get_new_url_size() > 0:print('未爬取的url如下:')for new_url in crawlerUrlManager.get_url():print(f'{new_url}')

这篇关于Python通过代理使用多线程爬取安居客二手房数据(二)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/275296

相关文章

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

Python pandas库自学超详细教程

《Pythonpandas库自学超详细教程》文章介绍了Pandas库的基本功能、安装方法及核心操作,涵盖数据导入(CSV/Excel等)、数据结构(Series、DataFrame)、数据清洗、转换... 目录一、什么是Pandas库(1)、Pandas 应用(2)、Pandas 功能(3)、数据结构二、安

Python使用Tenacity一行代码实现自动重试详解

《Python使用Tenacity一行代码实现自动重试详解》tenacity是一个专为Python设计的通用重试库,它的核心理念就是用简单、清晰的方式,为任何可能失败的操作添加重试能力,下面我们就来看... 目录一切始于一个简单的 API 调用Tenacity 入门:一行代码实现优雅重试精细控制:让重试按我

Python安装Pandas库的两种方法

《Python安装Pandas库的两种方法》本文介绍了三种安装PythonPandas库的方法,通过cmd命令行安装并解决版本冲突,手动下载whl文件安装,更换国内镜像源加速下载,最后建议用pipli... 目录方法一:cmd命令行执行pip install pandas方法二:找到pandas下载库,然后

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

SpringBoot多环境配置数据读取方式

《SpringBoot多环境配置数据读取方式》SpringBoot通过环境隔离机制,支持properties/yaml/yml多格式配置,结合@Value、Environment和@Configura... 目录一、多环境配置的核心思路二、3种配置文件格式详解2.1 properties格式(传统格式)1.

Python实现网格交易策略的过程

《Python实现网格交易策略的过程》本文讲解Python网格交易策略,利用ccxt获取加密货币数据及backtrader回测,通过设定网格节点,低买高卖获利,适合震荡行情,下面跟我一起看看我们的第一... 网格交易是一种经典的量化交易策略,其核心思想是在价格上下预设多个“网格”,当价格触发特定网格时执行买

Python标准库之数据压缩和存档的应用详解

《Python标准库之数据压缩和存档的应用详解》在数据处理与存储领域,压缩和存档是提升效率的关键技术,Python标准库提供了一套完整的工具链,下面小编就来和大家简单介绍一下吧... 目录一、核心模块架构与设计哲学二、关键模块深度解析1.tarfile:专业级归档工具2.zipfile:跨平台归档首选3.

使用Python构建智能BAT文件生成器的完美解决方案

《使用Python构建智能BAT文件生成器的完美解决方案》这篇文章主要为大家详细介绍了如何使用wxPython构建一个智能的BAT文件生成器,它不仅能够为Python脚本生成启动脚本,还提供了完整的文... 目录引言运行效果图项目背景与需求分析核心需求技术选型核心功能实现1. 数据库设计2. 界面布局设计3

使用IDEA部署Docker应用指南分享

《使用IDEA部署Docker应用指南分享》本文介绍了使用IDEA部署Docker应用的四步流程:创建Dockerfile、配置IDEADocker连接、设置运行调试环境、构建运行镜像,并强调需准备本... 目录一、创建 dockerfile 配置文件二、配置 IDEA 的 Docker 连接三、配置 Do