<python3爬虫>scrapy爬取58同城租房信息(第二节)

本节主要讲解爬虫的代码部分。
首先是items的定义
colletion为mongo中的集合名字,其余变量对应想要抓取的数据项

class chengduItem(scrapy.Item):
    collection = 'chuzu'
    describe = Field()
    size = Field()
    region = Field()
    address = Field()
    agent = Field()
    landlord = Field()
    image = Field()
    price = Field()

然后是页面解析部分
直接使用chrome定位到需要提取的部分,使用右键copy-copy xpath就可以直接获取xpath地址,然后把提取的信息赋给对应的item键就可以了。

class ChengduSpider(scrapy.Spider):
    name = 'chengdu'
    allowed_domains = ['cd.58.com']
    start_urls = ['https://cd.58.com/chuzu/0/']

    def parse(self, response):
        ul = response.selector.xpath('//ul[@class="listUl"]/li')
        for li in ul[:-1]:
            item = chengduItem()
            item['describe'] = li.xpath('./div[@class="des"]/h2/a/text()')\
                .extract_first().strip()
            item['size'] = li.xpath('./div[@class="des"]/p[1]/text()')\
                .extract_first().strip()
            item['region'] = li.xpath('./div[@class="des"]/p[2]/a[1]/text()')\
                .extract_first().strip()
            add_p = li.xpath('./div[@class="des"]/p[2]/text()')\
                .extract()[-1].strip()
            add_a = li.xpath('./div[@class="des"]/p[2]/a[2]/text()').extract_first()
            if add_a is None:
                item['address'] = add_p
            else:
                item['address'] = add_a
            # /html/body/div[5]/div/div[5]/div[2]/ul/li[1]/div[2]/p[3]/text()
            item['landlord'] = li.xpath('./div[@class="des"]/p[3]/text()')\
                .extract()[-1].strip()
            item['image'] = li.xpath('./div[@class="img_list"]/a/img/@lazy_src')\
                .extract_first().strip()
            # /html/body/div[5]/div/div[5]/div[2]/ul/li[2]/div[3]/div[2]/b
            item['price'] = li.xpath('./div[3]/div[2]/b/text()').extract_first()
            yield item

            # //*[@id="bottom_ad_li"]/div[2]/a[6]/span
        next_page = ul[-1].xpath('./div[2]/a[@class="next"]/@href').extract_first()
        if next_page:
            yield scrapy.Request(url=next_page, callback=self.parse)

数据处理及数据库写入部分

class Chengdu58Pipeline(object):
    def __init__(self):
        # 数据处理,替换&#x开头的字符为正常的数字
        self.d = {'閏': '4', '麣': '1', '龒': '2', '齤': '7', '驋': '5',
                  '餼': '0', '龥': '8', '龤': '3', '鑶': '6', '鸺': '9'}

    # 替换size中的数字
    def process_item(self, item, spider):
        t = []
        for i in list(item['size']):
            if i != '\xa0':
                if i in self.d:
                    t.append(self.d[i])
                else:
                    t.append(i)
        item['size'] = "".join(t)

    # 替换describe中的数字
        t.clear()
        for i in list(item['describe']):
            if i != '\xa0':
                if i in self.d:
                    t.append(self.d[i])
                else:
                    t.append(i)
        item['describe'] = "".join(t)

        t.clear()
        for i in list(item['price']):
            t.append(self.d[i])
        item['price'] = "".join(t)

        # 去除landlord前多余的冒号
        item["landlord"] = item["landlord"][1:]

        return item
class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    # 从setting文件中获取mongo连接及数据库名称
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    # 连接mongo数据库
    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    # item插入集合中,集合名在item类中定义
    def process_item(self, item, spider):
        self.db[item.collection].insert(dict(item))
        return item

    # 关闭mongo连接
    def close_spider(self, spider):
        self.client.close()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 159,716评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,558评论 1 294
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,431评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,127评论 0 209
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,511评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,692评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,915评论 2 313
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,664评论 0 202
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,412评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,616评论 2 245
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,105评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,424评论 2 254
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,098评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,096评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,869评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,748评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,641评论 2 271

推荐阅读更多精彩内容