摘要：前前后后弄了一個星期，看書寫代碼，我寫出了一個基本能用的爬蟲小代碼，地址代碼注釋都很詳細(xì)了，其實(shí)只要直接閱讀源碼即可。然后我網(wǎng)上找了一下資料，發(fā)現(xiàn)很多人推薦這個庫，自己下來用了一下，發(fā)現(xiàn)真的很舒服，所以果斷采用了。

現(xiàn)在網(wǎng)絡(luò)爬蟲有很多方式可以寫，比如Node.js或者Go, 甚至PHP都行，我之所以選擇Python的原因是因?yàn)榻坛潭啵梢韵到y(tǒng)學(xué)習(xí)，因?yàn)楣舛檬褂肏tml選擇器來爬去頁面是不夠的，我還要想學(xué)習(xí)一些爬蟲過程中常見的坑，以及一些注意事項(xiàng)，比如修改瀏覽器的Header之類的小技巧。

前前后后弄了一個星期，看書+寫代碼，我寫出了一個基本能用的python爬蟲小代碼，github地址：https://github.com/qiujumper/...

代碼注釋都很詳細(xì)了，其實(shí)只要直接閱讀源碼即可。

這個爬蟲的目的很簡單，爬去某個房產(chǎn)網(wǎng)站的樓盤名字+價格+1張圖片的下載（單純測試文件下載功能），以備之后分析房價走勢而用，為了不給對方服務(wù)器增加太多壓力，我只選擇了爬取3個頁面。

我這里說說幾個需要注意的知識點(diǎn)吧：

#記得修改發(fā)送的Headers
聽說默認(rèn)發(fā)送過去的都是帶有python信息的頭，很容易被對方網(wǎng)站檢查出是一個爬蟲機(jī)器人，導(dǎo)致IP被封，所以最好讓自己的爬蟲程序像人類一點(diǎn)，但是這個代碼只能起到一般的隱瞞，真的有網(wǎng)站想防止爬蟲，你也是騙不過的，上代碼：

headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5) AppleWebKit 537.36 (KHTML, like Gecko) Chrome",
                "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8"},

#html的選擇器，我采用pyquery而不是beautifulsoup
很多書都推薦beautifulsoup,但是作為一個習(xí)慣了jquery的人來說，beautifulsoup的語法實(shí)在是有點(diǎn)拗口，而且貌似還不支持:first-child等高級復(fù)雜的css選擇器模式，或者支持，但是我沒找到，也不是很仔細(xì)看文檔。

然后我網(wǎng)上找了一下資料，發(fā)現(xiàn)很多人推薦pyquery這個庫，自己下來用了一下，發(fā)現(xiàn)真的很舒服，所以果斷采用了。

#爬蟲思路
思路其實(shí)很簡單：
1.找到某個房產(chǎn)的列表頁，分析第二第三頁的URL結(jié)構(gòu)；
2.獲取每一個列表頁的所有列表?xiàng)l目信息的URL，存入python的set()集合中，之所以用set，是為了去掉重復(fù)的URL信息。
3.通過獲取的房子的URL，進(jìn)入詳情頁，再爬去有價值的字段信息，比如圖片文字之類的。
4.目前我只進(jìn)行簡單的print數(shù)據(jù)而已，沒有把獲取的數(shù)據(jù)存為本地的json或者CSV格式，這個之后做吧，to be done.

下面是全部代碼代碼：

#獲取頁面對象
from urllib.request import urlopen
from urllib.request import urlretrieve
from pyquery import PyQuery as pq
#修改請求頭模塊,模擬真人訪問
import requests
import time
#引入系統(tǒng)對象
import os

#你自己的配置文件，請將config-sample.py重命名為config.py,然后填寫對應(yīng)的值即可
import config

#定義鏈接集合，以免鏈接重復(fù)
pages = set()
session = requests.Session()
baseUrl = "http://pic1.ajkimg.com"
downLoadDir = "images"

#獲取所有列表頁連接
def getAllPages():
    pageList = []
    i = 1
    while(i < 2):
        newLink = "http://sh.fang.anjuke.com/loupan/all/p" + str(i) + "/"
        pageList.append(newLink)
        i = i + 1
    return pageList

def getAbsoluteURL(baseUrl, source):
    if source.startswith("http://www."):
        url = "http://"+source[11:] 
    elif source.startswith("http://"):
        url = source
    elif source.startswith("www."):
        url = "http://"+source[4:] 
    else:
        url = baseUrl+"/"+source 
    if baseUrl not in url:
        return None 
    return url

#這個函數(shù)內(nèi)部的路徑按照自己的真實(shí)情況來寫，方便之后的數(shù)據(jù)導(dǎo)入
def getDownloadPath(baseUrl, absoluteUrl, downloadDirectory): 
    path = absoluteUrl.replace("www.", "")
    path = path.replace(baseUrl, "")
    path = downloadDirectory+path
    directory = os.path.dirname(path)
    if not os.path.exists(directory): 
        os.makedirs(directory)
    return path

#獲取當(dāng)前頁面的所有連接
def getItemLinks(url):
    global pages;
    #先判斷是否能獲取頁面
    try:
        req = session.get(url, headers = config.value["headers"])
    #這個判斷只能判定是不是404或者500的錯誤，如果DNS沒法解析，是無法判定的
    except IOError as e:
        print("can not reach the page. ")
        print(e)
    
    else: 
        h = pq(req.text)
        #獲取第一頁的所有房子模塊
        houseItems = h(".item-mod")
        #從模塊中提取我們需要的信息，比如詳情頁的URL,價格，略縮圖等
        #我傾向只獲取詳情頁的URL，然后在詳情頁中獲取更多的信息
        for houseItem in houseItems.items():
            houseUrl = houseItem.find(".items-name").attr("href")
            #print(houseUrl)
            pages.add(houseUrl)
        
#獲取詳情頁的各種字段，這里可以讓用戶自己編輯
def getItemDetails(url):
    #先判斷是否能獲取頁面
    try:
        req = session.get(url, headers = config.value["headers"])
    #這個判斷只能判定是不是404或者500的錯誤，如果DNS沒法解析，是無法判定的
    except IOError as e:
        print("can not reach the page. ")
        print(e)
    else:
        time.sleep(1)
        h = pq(req.text)

        #get title
        housePrice = h("h1").text() if h("h1") != None else "none"

        #get price
        housePrice = h(".sp-price").text() if h(".sp-price") != None else "none"

        #get image url
        houseImage = h(".con a:first-child img").attr("src")
        houseImageUrl = getAbsoluteURL(baseUrl, houseImage)
        if houseImageUrl != None:
            urlretrieve(houseImageUrl, getDownloadPath(baseUrl, houseImageUrl, downLoadDir))     
        # if bsObj.find("em",{"class","sp-price"}) == None:
        #     housePrice = "None"
        # else:
        #     housePrice = bsObj.find("em",{"class","sp-price"}).text;
        # if bsObj.select(".con a:first-child .item img")== None:
        #     houseThumbnail = "None"
        # else:
        #     houseThumbnail = bsObj.select(".con a:first-child .item img");

        


#start to run the code
allPages = getAllPages()

for i in allPages:
    getItemLinks(i)
#此時pages 應(yīng)該充滿了很多url的內(nèi)容
for i in pages:
    getItemDetails(i)
#print(pages)

有問題歡迎和我討論，這段代碼還可以繼續(xù)完善。