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函数作用域示例详解

《Python函数作用域示例详解》本文介绍了Python中的LEGB作用域规则,详细解析了变量查找的四个层级,通过具体代码示例,展示了各层级的变量访问规则和特性,对python函数作用域相关知识感兴趣... 目录一、LEGB 规则二、作用域实例2.1 局部作用域(Local)2.2 闭包作用域(Enclos

Linux中压缩、网络传输与系统监控工具的使用完整指南

《Linux中压缩、网络传输与系统监控工具的使用完整指南》在Linux系统管理中,压缩与传输工具是数据备份和远程协作的桥梁,而系统监控工具则是保障服务器稳定运行的眼睛,下面小编就来和大家详细介绍一下它... 目录引言一、压缩与解压:数据存储与传输的优化核心1. zip/unzip:通用压缩格式的便捷操作2.

Python实现对阿里云OSS对象存储的操作详解

《Python实现对阿里云OSS对象存储的操作详解》这篇文章主要为大家详细介绍了Python实现对阿里云OSS对象存储的操作相关知识,包括连接,上传,下载,列举等功能,感兴趣的小伙伴可以了解下... 目录一、直接使用代码二、详细使用1. 环境准备2. 初始化配置3. bucket配置创建4. 文件上传到os

使用Python实现可恢复式多线程下载器

《使用Python实现可恢复式多线程下载器》在数字时代,大文件下载已成为日常操作,本文将手把手教你用Python打造专业级下载器,实现断点续传,多线程加速,速度限制等功能,感兴趣的小伙伴可以了解下... 目录一、智能续传:从崩溃边缘抢救进度二、多线程加速:榨干网络带宽三、速度控制:做网络的好邻居四、终端交互

Python中注释使用方法举例详解

《Python中注释使用方法举例详解》在Python编程语言中注释是必不可少的一部分,它有助于提高代码的可读性和维护性,:本文主要介绍Python中注释使用方法的相关资料,需要的朋友可以参考下... 目录一、前言二、什么是注释?示例:三、单行注释语法:以 China编程# 开头,后面的内容为注释内容示例:示例:四

Python中win32包的安装及常见用途介绍

《Python中win32包的安装及常见用途介绍》在Windows环境下,PythonWin32模块通常随Python安装包一起安装,:本文主要介绍Python中win32包的安装及常见用途的相关... 目录前言主要组件安装方法常见用途1. 操作Windows注册表2. 操作Windows服务3. 窗口操作

Python中re模块结合正则表达式的实际应用案例

《Python中re模块结合正则表达式的实际应用案例》Python中的re模块是用于处理正则表达式的强大工具,正则表达式是一种用来匹配字符串的模式,它可以在文本中搜索和匹配特定的字符串模式,这篇文章主... 目录前言re模块常用函数一、查看文本中是否包含 A 或 B 字符串二、替换多个关键词为统一格式三、提

python常用的正则表达式及作用

《python常用的正则表达式及作用》正则表达式是处理字符串的强大工具,Python通过re模块提供正则表达式支持,本文给大家介绍python常用的正则表达式及作用详解,感兴趣的朋友跟随小编一起看看吧... 目录python常用正则表达式及作用基本匹配模式常用正则表达式示例常用量词边界匹配分组和捕获常用re

Go语言数据库编程GORM 的基本使用详解

《Go语言数据库编程GORM的基本使用详解》GORM是Go语言流行的ORM框架,封装database/sql,支持自动迁移、关联、事务等,提供CRUD、条件查询、钩子函数、日志等功能,简化数据库操作... 目录一、安装与初始化1. 安装 GORM 及数据库驱动2. 建立数据库连接二、定义模型结构体三、自动迁

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查