Python高级应用程序设计任务

Python高级应用程序设计任务要求

 

用Python实现一个面向主题的网络爬虫程序，并完成以下内容：
（注：每人一题，主题内容自选，所有设计内容与源代码需提交到博客园平台）

一、主题式网络爬虫设计方案（15分）

1.主题式网络爬虫名称

 

名称：爬取58同城房产租售信息

2.主题式网络爬虫爬取的内容与数据特征分析

这次爬虫主要是爬取58同城泉州区域的房屋交易价格和房屋信息。

3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）

 

实现思路：获取58同城目标的HTML页面，使用requests爬取数据，BeautifulSoup解析页面，使用records进行数据存储、读取，最后打印出来数据

技术难点：爬取数据，遍历标签属性。存储数据表格信息

 

 

二、主题页面的结构特征分析（15分）
1.主题页面的结构特征

 

 

 

 

2.Htmls页面解析

 

用鼠标右键点击查看“查看元素”选项或者按“F12”

 

 

 

3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）
 

查找：select函数

 

 

遍历：for循环嵌套

三、网络爬虫程序设计（60分）
爬虫程序主体要包括以下各部分，要附源代码及较详细注释，并在每部分程序后面提供输出结果的截图。
1.数据爬取与采集

 

 

 

 

2.对数据进行清洗和处理

 

 

 

 

 

3.文本分析（可选）：jieba分词、wordcloud可视化
4.数据分析与可视化
（例如：数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等）

 

 

 

 

 

 5.数据持久化

 

 

 

 

 

 

 6.附完整程序代码

 

import requests

from bs4 import BeautifulSoup

import records

 

 

def getHtml(url):

    '''

    获取目标网页数据

    '''

    try:

        # 伪装UA

        ua = {'user-agent': 'Mozilla/5.0 Chrome/79.0.3945.88 Safari/537.36'}

        # 读取网页

        r = requests.get(url, headers=ua)

        # 获取状态

        r.raise_for_status()

        # 打印数据 print(r.text)

        # 返回数据

        return r.text

    except:

        return "Fail"

 

 

def parseHtml(html):

    '''

    房屋数据收集

    '''

    # 数据数组

    data = []

    # 结构解析

    soup = BeautifulSoup(html, "html.parser")

    # 获取具体房屋的链接

    titles = soup.select('.title a')

    print(titles)

    # for循环解析链接

    for i in titles:

        # 解析href链接属性

        a = i.get('href')

        # 打印数据 print(a)

        # 加入数组

        data.append(a)

    # 返回数组

    return data

 

 

def parseInfo(html):

    '''

    房屋数据清洗

    '''

    # 创建字典

    j = {}

    # 结构解析

    soup = BeautifulSoup(html, "html.parser")

    # 获取房屋标题

    titles = soup.select('.f20')[0].get_text()

    # 获取房屋价格

    price = soup.select('.house-basic-info .price')[0].get_text()

    # 获取房屋户型

    huxing = soup.select('.house-basic-info .room .main')[0].get_text()

    # 获取房屋楼层

    louceng = soup.select('.house-basic-info .room .sub')[0].get_text()

    # 获取房屋面积

    mianji = soup.select('.house-basic-info .area .main')[0].get_text()

    # 获取房屋装修

    maopi = soup.select('.house-basic-info .area .sub')[0].get_text()

    # 获取联系电话

    phone = soup.select('.phone-num')[0].get_text()

    # 组合数据

    sj = '标题：%s 价格：%s 户型：%s 楼层：%s 面积：%s 装修：%s 联系方式：%s '%(titles,price,huxing,louceng,mianji,maopi,phone)

    # 打印数据

    print(sj)

    # 字典

    j['标题'] = titles

    j['价格'] = price

    j['户型'] = huxing

    j['楼层'] = louceng

    j['面积'] = mianji

    j['装修'] = maopi

    j['联系'] = phone

    # 返回字典

    return j

 

 

# 采集

urls = parseHtml(getHtml('https://qz.58.com/ershoufang/pn1/'))

# 数组

data = []

# 循环

for i in urls:

    # 房屋数据清洗

    sj = parseInfo(getHtml(i))

    # 打印数据 print(sj)

    # 加入成员

    data.append(sj)

# 数据保存

results = records.RecordCollection(iter(data))

with open('house.xlsx', 'wb') as f:

    # 写入

    f.write(results.export('xlsx'))

　　

 

四、结论（10分）
1.经过对主题数据的分析与可视化，可以得到哪些结论？

  可以很直观的找到心仪的租房户型，位置，价格，面积。
2.对本次程序设计任务完成的情况做一个简单的小结。

  首先思路要清晰，不然很容易卡着，做完这步，不懂下步怎么做；其次，通过使用requests爬取数据，BeautifulSoup解析页面......让我对爬虫的认识又深刻了，对它更加“熟悉”了。同时，又巩固了之前所学的知识；最后，我觉得，学习爬虫真的很值，可以很直观，很快速的，帮你把你想要的数据提取出来。节省了我们大量的时间。