python爬虫爬取某站上海租房图片-6ren

python爬虫爬取某站上海租房图片

转载作者：qq735679552 更新时间：2022-09-28 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章python爬虫爬取某站上海租房图片由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

对于一个net开发这爬虫真真的以前没有写过。这段时间开始学习python爬虫，今天周末无聊写了一段代码爬取上海租房图片，其实很简短就是利用爬虫的第三方库Requests与BeautifulSoup。python 版本：python3.6 ,IDE ：pycharm。其实就几行代码，但希望没有开发基础的人也能一下子看明白，所以大神请绕行.

第三方库首先安装。

我是用的pycharm所以另为的脚本安装我这就不介绍了.

python爬虫爬取某站上海租房图片

如上图打开默认设置选择Project Interprecter，双击pip或者点击加号，搜索要安装的第三方库。其中如果建立的项目多记得Project Interprecter要选择正确的安装位置不然无法导入.

Requests库。

requests库的官方定义：Requests 唯一的一个非转基因的 Python HTTP 库，人类可以安全享用。其实他就是请求网络获取网页数据的.

 
    ? 
   
         import 
         requests 
        
         header 
         = 
         { 
         'User-Agent' 
         : 
         'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36' 
         } 
        
         res 
         = 
         requests.get( 
         'http://sh.58.com/zufang/' 
         ,headers 
         = 
         header) 
        
         try 
         : 
        
         print 
         (res.text); 
        
         except 
         ConnectionError: 
        
         print 
         ( 
         '访问被拒绝！！！' 
         )

结果如下:

python爬虫爬取某站上海租房图片

其中Request Headers的参数如下:

python爬虫爬取某站上海租房图片

 
    ? 
   
         #headers的一些属性： 
        
         #Accept:指定客户端能够接收的内容类型，内容类型的先后次序表示客户都接收的先后次序 
        
         #Accept-Lanuage:指定HTTP客户端浏览器用来展示返回信息优先选择的语言 
        
         #Accept-Encoding指定客户端浏览器可以支持的web服务器返回内容压缩编码类型。表示允许服务器在将输出内容发送到客户端以前进行压缩，以节约带宽。而这里设置的就是客户端浏览器所能够支持的返回压缩格式。 
        
         #Accept-Charset:HTTP客户端浏览器可以接受的字符编码集 
        
         # User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求 
        
         # Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。 
        
         # application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用 
        
         # application/json ： 在 JSON RPC 调用时使用 
        
         # application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用 
        
         # 在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

BeautifulSoup库。

BeautifulSoup可以轻松的解析Requests库请求的页面，并把页面源代码解析为Soup文档，一边过滤提取数据。这是bs4.2的文档.

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，其中lxml 据说是相对而言比较强大的我下面的暗示是python 标准库的.

python爬虫爬取某站上海租房图片

选择器select 。

 
    ? 
   
         # 选择所有div标签 
        
         soup.select( 
         "div" 
         ) 
        
         # 选择所有p标签中的第三个标签 
        
         soup.select( 
         "p:nth-of-type(3)" 
         ) 
        
         相当于soup.select(p)[ 
         2 
         ] 
        
         # 选择div标签下的所有img标签 
        
         soup.select( 
         "div img" 
         ) 
        
         # 选择div标签下的直接a子标签 
        
         soup.select( 
         "div > a" 
         ) 
        
         # 选择id=link1后的所有兄弟节点标签 
        
         soup.select( 
         "#link1 ~ .mybro" 
         ) 
        
         # 选择id=link1后的下一个兄弟节点标签 
        
         soup.select( 
         "#link1 + .mybro" 
         ) 
        
         # 选择a标签，其类属性为className的标签 
        
         soup.select( 
         "a .className" 
         ) 
        
         # 选择a标签，其id属性为idName的标签 
        
         soup.select( 
         "a #idName" 
         ) 
        
         # 选择a标签，其属性中存在attrName的所有标签 
        
         soup.select( 
         "a[attrName]" 
         ) 
        
         # 选择a标签，其属性href=http://wangyanling.com的所有标签 
        
         soup.select( 
         "a[href='http://wangyanling.com']" 
         ) 
        
         # 选择a标签，其href属性以http开头 
        
         soup.select( 
         'a[href^="http"]' 
         ) 
        
         # 选择a标签，其href属性以lacie结尾 
        
         soup.select( 
         'a[href$="lacie"]' 
         ) 
        
         # 选择a标签，其href属性包含.com 
        
         soup.select( 
         'a[href*=".com"]' 
         ) 
        
         # 从html中排除某标签，此时soup中不再有script标签 
        
         [s.extract()  
         for 
         s  
         in 
         soup( 
         'script' 
         )] 
        
         # 如果想排除多个呢 
        
         [s.extract()  
         for 
         s  
         in 
         soup([ 
         'script' 
         , 
         'fram' 
         ]

BeautifulSoup库需要学习的知识点，请参考bs4.2的文档。在这不再过多叙述.

 
    ? 
   
         import 
         requests 
        
         from 
         bs4  
         import 
         BeautifulSoup 
        
         header 
         = 
         { 
         'User-Agent' 
         : 
         'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36' 
         } 
        
         res 
         = 
         requests.get( 
         'http://cd.58.com/zufang/' 
         ,headers 
         = 
         header) 
        
         soup 
         = 
         BeautifulSoup(res.text, 
         'html.parser' 
         ) 
        
         print 
         (soup.prettify())

案例：爬取上海租房图片。

 
    ? 
   
 
     
       
       
         import 
         requests 
        
 
         import 
         urllib.request 
        
 
         import 
         os 
        
 
         import 
         time 
        
 
         from 
         bs4  
         import 
         BeautifulSoup 
        
 
         header 
         = 
         { 
         'User-Agent' 
         : 
         'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36' 
         } 
        
 
         url 
         = 
         [ 
         'http://sh.58.com/zufang/pn{}/?ClickID=2' 
         . 
         format 
         (number)  
         for 
         number  
         in 
         range 
         ( 
         6 
         , 
         51 
         )] 
         #分页抓取 
        
 
         adminCout 
         = 
         6 
        
 
         for 
         arurl  
         in 
         url: 
        
 
            
         adminCout 
         = 
         adminCout 
         + 
         1 
        
 
            
         res 
         = 
         requests.get(arurl,headers 
         = 
         header) 
        
 
            
         soup 
         = 
         BeautifulSoup(res.text, 
         'html.parser' 
         ) 
        
 
            
         arryImg 
         = 
         soup.select( 
         '.img_list img' 
         ) 
        
 
            
         print 
         (arryImg) 
        
 
            
         count  
         = 
         0 
         ; 
        
 
            
         for 
         img  
         in 
         arryImg: 
        
 
              
         print 
         (img[ 
         'lazy_src' 
         ]) 
        
 
              
         _url  
         = 
         img[ 
         'lazy_src' 
         ] 
        
 
              
         pathName  
         = 
         "E:\\2333\\" + str(adminCout)+" 
         _ 
         "+str(count) + " 
         .jpg"  
         # 设置路径和文件名 
        
 
              
         result  
         = 
         urllib.request.urlopen(_url)  
         # 打开链接，和python2.x不同请注意了 
        
 
              
         data  
         = 
         result.read()  
         # 否则开始下载到本地 
        
 
              
         with  
         open 
         (pathName,  
         "wb" 
         ) as code: 
        
 
                
         code.write(data) 
        
 
                
         code.close() 
        
 
                
         count  
         = 
         count  
         + 
         1 
         # 计数+1 
        
 
                
         print 
         ( 
         "正在下载第：" 
         , count) 
        
 
              
         time.sleep( 
         30 
         ) 
        
 
     
 
   