爬虫入门练习（三）爬取小猪租房网信息

声明：本文参考Python实战计划学习笔记2.1：将爬取的数据存入Mongodb
其他参考资料：
Python爬虫包 BeautifulSoup 学习（十一） CSS 选择器
python爬虫：BeautifulSoup 使用select方法详解

---

爬取小猪网上上海的租房信息，部分结果如下所示：

image.png

具体代码如下：

注意运行本代码前需先启动MongDB数据库服务，启动方法见：
MongoDB+MongoVUE的安装

#coding=utf-8
from bs4 import BeautifulSoup
import requests
import time
import pymongo


def get_detail_info(url, data=None):

    # 爬取单条租房信息（标题，图片，房东，日租金，房东性别，房东头像）
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    time.sleep(2)
    # selcet方法的使用请搜索CCS选择器
    title = soup.select('h4 > em')[0].get_text()   # 标题
    address = soup.select('span.pr5')[0].get_text()  # 地址
    rent = soup.select('div.day_l > span')[0].get_text()  #日租金：div是标签，day_I是其属性，span是下一级标签
    image = soup.select('#curBigImage')[0].get('src') #图片
    lorder_pic = soup.select('div.member_pic > a > img')[0].get('src') #房东头像
    lorder_name = soup.select('a.lorder_name')[0].get_text()  # 房东名字
    lorder_sex = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > span')[0].get('class')  # 房东性别

    def get_gender(class_name):
        if class_name == "member_boy_ico":
            return  "男"
        else:
            return "女"

    data = {
        '标题': title,
        '地址': address,
        '日租金': rent,
        '图片': image,
        '房东头像': lorder_pic,
        '房东姓名': lorder_name,
        '房东性别': get_gender(lorder_sex)
    }   
    print(data)
    return data


def get_all_data(urls): # 传入主页链接集（本例是3页，3个链接）
    all_data = []
    for url in urls: #遍历链接
        wb_data = requests.get(url) #获取链接内容
        soup = BeautifulSoup(wb_data.text, 'lxml')  #解析链接
        links = soup.select('#page_list > ul > li > a') # 使用CCS选择器，选取每个租房信息的链接
        for link in links:
            href = link.get('href')
            all_data.append(get_detail_info(href))   #调用get_detail_info函数，将抓取的租房信息添加进列表all_data
    return all_data

    
# 定义数据库
client = pymongo.MongoClient('localhost', 27017)   # 建立与数据库的连接
rent_info = client['rent_info']  #创建数据库rent_info
sheet_table = rent_info['sheet_table']  # 创建表单sheet_table

k=input("please enter the num of page that you want to crawl:")
urls = ['http://sh.xiaozhu.com/search-duanzufang-p{}-0/'.format(str(i)) for i in range(1, k+1)]
# 设置3页的租房信息的链接
datas = get_all_data(urls)  #调用get_all_data函数，将抓取的信息存入列表datas

for item in datas:   
    sheet_table.insert_one(item) #将数据存入数据库

# for item in sheet_table.find():
    # 筛选出日租金大于等于500的租房信息，并打印出来
#     if int(item['日租金']) >= 500:
#         print(item)


## 本代码经测试无问题