获取成都租房信息 - 信息获取

    我们主要获取一下房源的基本信息，包括详情页链接等等，之后会统一整理保存数据，这里首先收集赶集网和自如网的信息

1. 赶集网信息获取

I. 获取当页内容

    这里的规则比较明显，获取网页内容用xpath解析即可，各个板块的信息都很容易获取，最后用列表保存并返回即可，首先循环出每个divs块，对里面的每个版块内容逐个获取

def get_this_page_gj(url, tmp):
    html = etree.HTML(requests.get(url).text)
    divs = html.xpath('//div[@class="f-list-item ershoufang-list"]')
    for div in divs:
        title = div.xpath('./dl/dd[@class="dd-item title"]/a/text()')[0]
        house_url = div.xpath('./dl/dd[@class="dd-item title"]/a/@href')[0]
        size = "、".join(div.xpath('./dl/dd[@class="dd-item size"]/span/text()'))
        address = '-'.join([
            data.strip() for data in divs[0].xpath('./dl/dd[@class="dd-item address"][1]//a//text()')
            if data.strip() != ''
        ]
        )
        agent_string = div.xpath('./dl/dd[@class="dd-item address"][2]/span/span/text()')[0]
        agent = re.sub(' ', '', agent_string)
        price = div.xpath('./dl/dd[@class="dd-item info"]/div[@class="price"]/span[@class="num"]/text()')[0]
        tmp.append([
            title, size, price, address, agent, house_url
        ])
    return tmp

II. URL构造

    访问首页链接，获取总页数，按照url的访问规则构造url，调用获取当页数据的方法即可，这里的url都是以http://cd.ganji.com/zufang/pn开头的，后面跟上网页的页码

def house_gj(headers):
    index_url = 'http://cd.ganji.com/zufang/'
    html = etree.HTML(get_html(index_url, headers))
    total = html.xpath('//div[@class="pageBox"]/a[position() = last() -1]/span/text()')[0]
    result = []
    for num in range(1, int(total) + 1):
        result += get_this_page_gj('http://cd.ganji.com/zufang/pn{}'.format(num), [])
        print('完成读取第{}页/赶集网'.format(num))
    return result

2.

    这里和赶集网类似，结构也相似，同样的获取方式，我们也抓取基础信息加url链接，区别在于这里的价格可能不太好获取，并不是直接显示，而是以图片+偏移量的形式展示

1. 价格获取

    每个数字对应一张图片，图片中的数字会根据style中设置的偏移去原图中获取，每页的原图也不尽相同，所以处理起来比较麻烦

    这里我们仔细留心的会发现其实每个数字间的间距是一样的，可以自己在页面上更改数值查看规律，每个数字间的距离是21.4px，从原图的左边开始做偏移，根据偏移确定对应的数字，返回的数字下标 = |偏移量/21.4|,当然这里根据页面图片、内容等元素会有微小的误差，但都是极小的误差了，最后取个整去原图的数字列表中取得对应下标的值即可，这里我们用到tesseract来对图片进行解析

......
......
price_strings = div.xpath('./div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')
offset_list = []
for data in price_strings:
    offset_list.append(re.findall('position: (.*?)px', data)[0])
style_string = html.xpath('//div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')[0]
pic = "http:" + re.findall(r'background-image: url\((.*?)\);.*?', style_string)[0]
price = get_price_zr(pic, offset_list)

def get_price_zr(pic_url, offset_list):
    '''
        这里的index保存所有数字的下标值，等待图片解析完成获取对应下标的价格数字
    '''
    index, price = [], []
    with open('pic.png', 'wb') as f:
        f.write(requests.get(pic_url).content)
    code_list = list(pytesseract.image_to_string(Image.open('pic.png')))
    for data in offset_list:
        index.append(int(math.fabs(eval(data)/21.4)))
    for data in index:
        price.append(code_list[data])
    return "".join(price)

•     pic_url是每页的原图地址，将之下载下来后用pytesseract解析，最后返回每个下标对应的数字所组成的新的数字字符串(价格),offset_list是获取的每个数字的偏移值组成的列表

2. 自如网数据获取

    这里和赶集网类似，结构也相似，同样的获取方式，我们也抓取基础信息加url链接，区别在于这里的价格可能不太好获取，并不是直接显示，而是以图片+偏移量的形式展示

I. 价格获取

    每个数字对应一张图片，图片中的数字会根据style中设置的偏移去原图中获取，每页的原图也不尽相同，所以处理起来比较麻烦

    这里我们仔细留心的会发现其实每个数字间的间距是一样的，可以自己在页面上更改数值查看规律，每个数字间的距离是21.4px，从原图的左边开始做偏移，根据偏移确定对应的数字，返回的数字下标 = |偏移量/21.4|,当然这里根据页面图片、内容等元素会有微小的误差，但都是极小的误差了，最后取个整去原图的数字列表中取得对应下标的值即可，这里我们用到tesseract来对图片进行解析

......
......
price_strings = div.xpath('./div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')
offset_list = []
for data in price_strings:
    offset_list.append(re.findall('position: (.*?)px', data)[0])
style_string = html.xpath('//div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')[0]
pic = "http:" + re.findall(r'background-image: url\((.*?)\);.*?', style_string)[0]
price = get_price_zr(pic, offset_list)

def get_price_zr(pic_url, offset_list):
    '''
        这里的index保存所有数字的下标值，等待图片解析完成获取对应下标的价格数字
    '''
    index, price = [], []
    with open('pic.png', 'wb') as f:
        f.write(requests.get(pic_url).content)
    code_list = list(pytesseract.image_to_string(Image.open('pic.png')))
    for data in offset_list:
        index.append(int(math.fabs(eval(data)/21.4)))
    for data in index:
        price.append(code_list[data])
    return "".join(price)

•     pic_url是每页的原图地址，将之下载下来后用pytesseract解析，最后返回每个下标对应的数字所组成的新的数字字符串(价格),offset_list是获取的每个数字的偏移值组成的列表

II. 获取当页数据

    这里和赶集网类似，我们构造获取每页数据的函数，之后调用函数传入每页的url即可，这里可以关注一下xpath的扩展用法(contains函数)和正则获取原图链接

def get_this_page_zr(url, tmp):
    html = etree.HTML(requests.get(url).text)
    divs = html.xpath('//div[@class="item"]')
    for div in divs:
        if div.xpath('./div[@class="info-box"]/h5/a/text()'):
            title = div.xpath('./div[@class="info-box"]/h5/a/text()')[0]
        else:
            continue
        link = 'http:' + div.xpath('./div[@class="info-box"]/h5/a/@href')[0]
        location = div.xpath('./div[@class="info-box"]/div[@class="desc"]/div[@class="location"]/text()')[0]
        area = div.xpath('./div[@class="info-box"]/div[@class="desc"]/div[contains(text(), "㎡")]/text()')[0]
        price_strings = div.xpath('./div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')
        offset_list = []
        for data in price_strings:
            offset_list.append(re.findall('position: (.*?)px', data)[0])
        style_string = html.xpath('//div[@class="info-box"]/div[@class="price"]/span[@class="num"]/@style')[0]
        pic = "http:" + re.findall(r'background-image: url\((.*?)\);.*?', style_string)[0]
        price = get_price_zr(pic, offset_list)
        tag = '、'.join(div.xpath('./div[@class="info-box"]//div[@class="tag"]/span/text()'))
        tmp.append([
            title, tag, price, area, location, link
        ])
    return tmp

III. url构造

原理同赶集网的一样，主要关注一下xpath的扩展用法position()=last()

def house_zr(headers):
    index_url = 'http://cd.ziroom.com/z/'
    html = etree.HTML(get_html(index_url, headers))
    total = html.xpath('//div[@class="Z_pages"]/a[position()=last()-1]/text()')[0]
    result = []
    for num in range(1, int(total) + 1):
        result += get_this_page_zr('http://cd.ziroom.com/z/p{}/'.format(num), [])
        print('完成读取第{}页/自如网'.format(num))
    return result

• 代码参考Github