学习用python写爬虫有几天了，下面写一个小爬虫验证下学习成果吧。
本文适合小白食用，各位大佬您就图个乐~
Tip:本文仅供学习与交流，切勿用于非法用途！！！
一、网页分析
爬取贝壳网石家庄二手房信息，先打开链接 https://sjz.ke.com/ershoufang/。
不添加筛选条件，发现总共有42817套房子。我们点击第二页，再查看链接变成了https://sjz.ke.com/ershoufang/pg2/。所以，可发现/pg{i}，i就是页码。经过辣条君体育老师教授的数学，数了一下，一页30个，最多可选100页。
所以最多可爬取3000套房产信息，距离上面给出的4万多差的还很远，于是尝试把pg{i}的那个i人为改变一下，点击回车请求一下。
https://sjz.ke.com/ershoufang/pg200/
https://sjz.ke.com/ershoufang/pg300/
发现这两个请求，返回房产信息数据都一样。都是第100页的信息，于是乎，得出结论。通过贝壳网web端，查看某一条件下的房产信息，最多可以查看3000套。害，最多才能买3000套，有钱花不出去的感觉真难受啊~ 逃:)~~
所以呢，我们增加一些条件，比如，满五唯一，2室的。请求之~
发现链接变成了https://sjz.ke.com/ershoufang/pg2mw1l2/。mw1l2这个玩意应该筛选条件。看到只有2399套，欧克，咱们就爬它了。
二、撸起袖子写代码
麻雀虽小五脏俱全，本爬虫设计三个部分，爬取，解析，储存。
爬取
爬取利用requests库，比python内置库urllib要好用很多。
import requests
def get_a_page(url):
result = requests.get(url)
print(result.text)
if __name__ == \'__main__\':
for i in range(1, 101):
get_a_page(f\'https://sjz.ke.com/ershoufang/pg{i}mw1l2/\')
for循环打印返回数据，发现没问题。其实i循环到81就好了，毕竟咱们知道了，只有不到2400套嘛。
解析
解析使用pyquery ，这个库使用起来类似于Jquery。完整API，https://pythonhosted.org/pyquery/api.html。还有一个解析库`bs4，下次再尝试。
发现读取如图所示ul里面一个div就可以拿到我们想要的数据。
import requests
from pyquery import PyQuery as pq
import json
def get_a_page(url):
result = requests.get(url)
doc = pq(result.text)
ul = doc(\'.sellListContent\')
divs = ul.children(\'.clear .info.clear\').items()
for div in divs:
count += 1
title = div.children(\'.title a\').text()
place = div.children(\'.address .flood .positionInfo a\').text()
msg = div.children(\'.address .houseInfo\').text()
price = div.children(\'.address .priceInfo .totalPrice span\').text()
per_meter = div.children(\'.address .priceInfo .unitPrice\').attr(\'data-price\')
dict = {
\'title\': title,
\'place\': place,
\'msg\': msg,
\'price\': price,
\'per_meter\': per_meter
}
print(str(count) + \':\' + json.dumps(dict, ensure_ascii=False))
代码如上，pyquery 的children方法是查找子标签，find方法是找子孙标签，此处我们只需要找下一代就好。然后通过text找到标签所包含的文本。attr是获取属性内容的，因为那个per_meter从属性中获取比较简单，标签中的内容还包含了“元/平米”。
储存
本次我们直接储存到csv中，一种类似于excel的文件格式。利用的是pandas库。
完整代码如下：
import requests
from pyquery import PyQuery as pq
import json
import pandas as pd
columns = [\'title\', \'msg\', \'price\', \'per_meter\']
# 爬取某网页
def get_a_page(url):
result = requests.get(url)
doc = pq(result.text)
ul = doc(\'.sellListContent\')
divs = ul.children(\'.clear .info.clear\').items()
count = 0
titles = []
places = []
msgs = []
prices = []
per_meters = []
for div in divs:
count += 1
title = div.children(\'.title a\').text()
place = div.children(\'.address .flood .positionInfo a\').text()
msg = div.children(\'.address .houseInfo\').text()
price = div.children(\'.address .priceInfo .totalPrice span\').text()
per_meter = div.children(\'.address .priceInfo .unitPrice\').attr(\'data-price\')
dict = {
\'title\': title,
\'place\': place,
\'msg\': msg,
\'price\': price,
\'per_meter\': per_meter
}
titles.append(title)
places.append(place)
msgs.append(msg)
prices.append(price)
per_meters.append(per_meter)
print(str(count) + \':\' + json.dumps(dict, ensure_ascii=False))
datas={
\'title\': titles,
\'place\': places,
\'msg\': msgs,
\'price\': prices,
\'per_meter\': per_meters
}
df = pd.DataFrame(data=datas, columns=columns)
df.to_csv(\'sjz.csv\', mode=\'a\', index=False, header=False)
if __name__ == \'__main__\':
for i in range(1, 101):
get_a_page(f\'https://sjz.ke.com/ershoufang/pg{i}mw1l2/\')
多进程
由于get_a_page函数要运行100次，有点小慢，所以利用多进程加快速度，这部分代码，请直接copy。
将主函数改成如下所示
from multiprocessing.pool import Pool
if __name__ == \'__main__\':
pool = Pool(5)
group = ([f\'https://sjz.ke.com/ershoufang/pg{x}mw1l2/\' for x in range(1, 101)])
pool.map(get_a_page,group)
pool.close()
pool.join()
三、结束
查看下效果：
效果还可以。有人会说，为什么不把msg信息拆分一下，分别储存楼层、几室几厅、建筑年代等等多好。刚开始，我是那么做的，结果发现这个msg数据那几项不是必填项，有的建筑年代、楼层什么的房主不填写，索性就整个拿过来了。
辣条君的第一个爬虫就这样结束了。虽然简单，但是写完，还是有点小小的满足感。今后还会继续学习爬虫，写一些博客发出来。小伙伴们，点个赞再走嘛~