Python实现并行抓取整站40万条房价数据（可更换抓取城市）


            写在前面

这次的爬虫是关于房价信息的抓取，目的在于练习10万以上的数据处理及整站式抓取。

数据量的提升最直观的感觉便是对函数逻辑要求的提高，针对Python的特性，谨慎的选择数据结构。以往小数据量的抓取，即使函数逻辑部分重复，I/O请求频率密集，循环套嵌过深，也不过是1~2s的差别，而随着数据规模的提高，这1~2s的差别就有可能扩展成为1~2h。

因此对于要抓取数据量较多的网站，可以从两方面着手降低抓取信息的时间成本。

1）优化函数逻辑，选择适当的数据结构，符合Pythonic的编程习惯。例如，字符串的合并，使用join（）要比“+”节省内存空间。

2）依据I/O密集与CPU密集，选择多线程、多进程并行的执行方式，提高执行效率。

一、获取索引

包装请求request，设置超时timeout





# 获取列表页面

def get_page(url):

 headers = {

  'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

      r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

  'Referer': r'http://bj.fangjia.com/ershoufang/',

  'Host': r'bj.fangjia.com',

  'Connection': 'keep-alive'

 }

 timeout = 60

 socket.setdefaulttimeout(timeout) # 设置超时

 req = request.Request(url, headers=headers)

 response = request.urlopen(req).read()

 page = response.decode('utf-8')

 return page



一级位置：区域信息



二级位置：板块信息（根据区域位置得到板块信息，以key_value对的形式存储在dict中）



以dict方式存储，可以快速的查询到所要查找的目标。-> {'朝阳'：{'工体'，'安贞'，'健翔桥'......}}

三级位置：地铁信息（搜索地铁周边房源信息）



将所属位置地铁信息，添加至dict中。  -> {'朝阳'：{'工体'：{'5号线'，'10号线' , '13号线'}，'安贞'，'健翔桥'......}}

对应的url：http://bj.fangjia.com/ershoufang/--r-%E6%9C%9D%E9%98%B3%7Cw-5%E5%8F%B7%E7%BA%BF%7Cb-%E6%83%A0%E6%96%B0%E8%A5%BF%E8%A1%97

解码后的url：http://bj.fangjia.com/ershoufang/--r-朝阳|w-5号线|b-惠新西街

根据url的参数模式，可以有两种方式获取目的url：

1）根据索引路径获得目的url







# 获取房源信息列表(嵌套字典遍历)

def get_info_list(search_dict, layer, tmp_list, search_list):

 layer += 1 # 设置字典层级

 for i in range(len(search_dict)):

  tmp_key = list(search_dict.keys())[i] # 提取当前字典层级key

  tmp_list.append(tmp_key) # 将当前key值作为索引添加至tmp_list

  tmp_value = search_dict[tmp_key]

  if isinstance(tmp_value, str): # 当键值为url时

   tmp_list.append(tmp_value) # 将url添加至tmp_list

   search_list.append(copy.deepcopy(tmp_list)) # 将tmp_list索引url添加至search_list

   tmp_list = tmp_list[:layer] # 根据层级保留索引

  elif tmp_value == '': # 键值为空时跳过

   layer -= 2   # 跳出键值层级

   tmp_list = tmp_list[:layer] # 根据层级保留索引

  else:

   get_info_list(tmp_value, layer, tmp_list, search_list) # 当键值为列表时，迭代遍历

   tmp_list = tmp_list[:layer]

 return search_list



2）根据dict信息包装url

 {'朝阳'：{'工体'：{'5号线'}}}

参数：

——　　r-朝阳

——　　b-工体

——　　w-5号线

组装参数：http://bj.fangjia.com/ershoufang/--r-朝阳|w-5号线|b-工体





1 # 根据参数创建组合url

2 def get_compose_url(compose_tmp_url, tag_args, key_args):

3  compose_tmp_url_list = [compose_tmp_url, '|' if tag_args != 'r-' else '', tag_args, parse.quote(key_args), ]

4  compose_url = ''.join(compose_tmp_url_list)

5  return compose_url



二、获取索引页最大页数





# 获取当前索引页面页数的url列表

def get_info_pn_list(search_list):

 fin_search_list = []

 for i in range(len(search_list)):

  print('>>>正在抓取%s' % search_list[i][:3])

  search_url = search_list[i][3]

  try:

   page = get_page(search_url)

  except:

   print('获取页面超时')

   continue

  soup = BS(page, 'lxml')

  # 获取最大页数

  pn_num = soup.select('span[class="mr5"]')[0].get_text()

  rule = re.compile(r'\d+')

  max_pn = int(rule.findall(pn_num)[1])

  # 组装url

  for pn in range(1, max_pn+1):

   print('************************正在抓取%s页************************' % pn)

   pn_rule = re.compile('[|]')

   fin_url = pn_rule.sub(r'|e-%s|' % pn, search_url, 1)

   tmp_url_list = copy.deepcopy(search_list[i][:3])

   tmp_url_list.append(fin_url)

   fin_search_list.append(tmp_url_list)

 return fin_search_list



三、抓取房源信息Tag

这是我们要抓取的Tag：

['区域', '板块', '地铁', '标题', '位置', '平米', '户型', '楼层', '总价', '单位平米价格']







# 获取tag信息

def get_info(fin_search_list, process_i):

 print('进程%s开始' % process_i)

 fin_info_list = []

 for i in range(len(fin_search_list)):

  url = fin_search_list[i][3]

  try:

   page = get_page(url)

  except:

   print('获取tag超时')

   continue

  soup = BS(page, 'lxml')

  title_list = soup.select('a[class="h_name"]')

  address_list = soup.select('span[class="address]')

  attr_list = soup.select('span[class="attribute"]')

  price_list = soup.find_all(attrs={"class": "xq_aprice xq_esf_width"}) # select对于某些属性值（属性值中间包含空格）无法识别，可以用find_all(attrs={})代替

  for num in range(20):

   tag_tmp_list = []

   try:

    title = title_list[num].attrs["title"]

    print(r'************************正在获取%s************************' % title)

    address = re.sub('\n', '', address_list[num].get_text()) 

    area = re.search('\d+[\u4E00-\u9FA5]{2}', attr_list[num].get_text()).group(0) 

    layout = re.search('\d[^0-9]\d.', attr_list[num].get_text()).group(0)

    floor = re.search('\d/\d', attr_list[num].get_text()).group(0)

    price = re.search('\d+[\u4E00-\u9FA5]', price_list[num].get_text()).group(0)

    unit_price = re.search('\d+[\u4E00-\u9FA5]/.', price_list[num].get_text()).group(0)

    tag_tmp_list = copy.deepcopy(fin_search_list[i][:3])

    for tag in [title, address, area, layout, floor, price, unit_price]:

     tag_tmp_list.append(tag)

    fin_info_list.append(tag_tmp_list)

   except:

    print('【抓取失败】')

    continue

 print('进程%s结束' % process_i)

 return fin_info_list



四、分配任务，并行抓取

对任务列表进行分片，设置进程池，并行抓取。





# 分配任务

def assignment_search_list(fin_search_list, project_num): # project_num每个进程包含的任务数，数值越小，进程数越多

 assignment_list = []

 fin_search_list_len = len(fin_search_list)

 for i in range(0, fin_search_list_len, project_num):

  start = i

  end = i+project_num

  assignment_list.append(fin_search_list[start: end]) # 获取列表碎片

 return assignment_list







 p = Pool(4) # 设置进程池

 assignment_list = assignment_search_list(fin_info_pn_list, 3) # 分配任务，用于多进程

 result = [] # 多进程结果列表

 for i in range(len(assignment_list)):

  result.append(p.apply_async(get_info, args=(assignment_list[i], i)))

 p.close()

 p.join()

 for result_i in range(len(result)):

  fin_info_result_list = result[result_i].get()

  fin_save_list.extend(fin_info_result_list) # 将各个进程获得的列表合并



通过设置进程池并行抓取，时间缩短为单进程抓取时间的3/1，总计时间3h。

电脑为4核，经过测试，任务数为3时，在当前电脑运行效率最高。

五、将抓取结果存储到excel中，等待可视化数据化处理





# 存储抓取结果

def save_excel(fin_info_list, file_name):

 tag_name = ['区域', '板块', '地铁', '标题', '位置', '平米', '户型', '楼层', '总价', '单位平米价格']

 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默认存储在桌面上

 tmp = book.add_worksheet()

 row_num = len(fin_info_list)

 for i in range(1, row_num):

  if i == 1:

   tag_pos = 'A%s' % i

   tmp.write_row(tag_pos, tag_name)

  else:

   con_pos = 'A%s' % i

   content = fin_info_list[i-1] # -1是因为被表格的表头所占

   tmp.write_row(con_pos, content)

 book.close()





附上源码





#! -*-coding:utf-8-*-

# Function: 房价调查

# Author：蘭兹

from urllib import parse, request

from bs4 import BeautifulSoup as BS

from multiprocessing import Pool

import re

import lxml

import datetime

import cProfile

import socket

import copy

import xlsxwriter

starttime = datetime.datetime.now()

base_url = r'http://bj.fangjia.com/ershoufang/'

test_search_dict = {'昌平': {'霍营': {'13号线': 'http://bj.fangjia.com/ershoufang/--r-%E6%98%8C%E5%B9%B3|w-13%E5%8F%B7%E7%BA%BF|b-%E9%9C%8D%E8%90%A5'}}}

search_list = [] # 房源信息url列表

tmp_list = [] # 房源信息url缓存列表

layer = -1

# 获取列表页面

def get_page(url):

 headers = {

  'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

      r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

  'Referer': r'http://bj.fangjia.com/ershoufang/',

  'Host': r'bj.fangjia.com',

  'Connection': 'keep-alive'

 }

 timeout = 60

 socket.setdefaulttimeout(timeout) # 设置超时

 req = request.Request(url, headers=headers)

 response = request.urlopen(req).read()

 page = response.decode('utf-8')

 return page

# 获取查询关键词dict

def get_search(page, key):

 soup = BS(page, 'lxml')

 search_list = soup.find_all(href=re.compile(key), target='')

 search_dict = {}

 for i in range(len(search_list)):

  soup = BS(str(search_list[i]), 'lxml')

  key = soup.select('a')[0].get_text()

  value = soup.a.attrs['href']

  search_dict[key] = value

 return search_dict

# 获取房源信息列表(嵌套字典遍历)

def get_info_list(search_dict, layer, tmp_list, search_list):

 layer += 1 # 设置字典层级

 for i in range(len(search_dict)):

  tmp_key = list(search_dict.keys())[i] # 提取当前字典层级key

  tmp_list.append(tmp_key) # 将当前key值作为索引添加至tmp_list

  tmp_value = search_dict[tmp_key]

  if isinstance(tmp_value, str): # 当键值为url时

   tmp_list.append(tmp_value) # 将url添加至tmp_list

   search_list.append(copy.deepcopy(tmp_list)) # 将tmp_list索引url添加至search_list

   tmp_list = tmp_list[:layer] # 根据层级保留索引

  elif tmp_value == '': # 键值为空时跳过

   layer -= 2   # 跳出键值层级

   tmp_list = tmp_list[:layer] # 根据层级保留索引

  else:

   get_info_list(tmp_value, layer, tmp_list, search_list) # 当键值为列表时，迭代遍历

   tmp_list = tmp_list[:layer]

 return search_list

# 获取房源信息详情

def get_info_pn_list(search_list):

 fin_search_list = []

 for i in range(len(search_list)):

  print('>>>正在抓取%s' % search_list[i][:3])

  search_url = search_list[i][3]

  try:

   page = get_page(search_url)

  except:

   print('获取页面超时')

   continue

  soup = BS(page, 'lxml')

  # 获取最大页数

  pn_num = soup.select('span[class="mr5"]')[0].get_text()

  rule = re.compile(r'\d+')

  max_pn = int(rule.findall(pn_num)[1])

  # 组装url

  for pn in range(1, max_pn+1):

   print('************************正在抓取%s页************************' % pn)

   pn_rule = re.compile('[|]')

   fin_url = pn_rule.sub(r'|e-%s|' % pn, search_url, 1)

   tmp_url_list = copy.deepcopy(search_list[i][:3])

   tmp_url_list.append(fin_url)

   fin_search_list.append(tmp_url_list)

 return fin_search_list

# 获取tag信息

def get_info(fin_search_list, process_i):

 print('进程%s开始' % process_i)

 fin_info_list = []

 for i in range(len(fin_search_list)):

  url = fin_search_list[i][3]

  try:

   page = get_page(url)

  except:

   print('获取tag超时')

   continue

  soup = BS(page, 'lxml')

  title_list = soup.select('a[class="h_name"]')

  address_list = soup.select('span[class="address]')

  attr_list = soup.select('span[class="attribute"]')

  price_list = soup.find_all(attrs={"class": "xq_aprice xq_esf_width"}) # select对于某些属性值（属性值中间包含空格）无法识别，可以用find_all(attrs={})代替

  for num in range(20):

   tag_tmp_list = []

   try:

    title = title_list[num].attrs["title"]

    print(r'************************正在获取%s************************' % title)

    address = re.sub('\n', '', address_list[num].get_text())

    area = re.search('\d+[\u4E00-\u9FA5]{2}', attr_list[num].get_text()).group(0)

    layout = re.search('\d[^0-9]\d.', attr_list[num].get_text()).group(0)

    floor = re.search('\d/\d', attr_list[num].get_text()).group(0)

    price = re.search('\d+[\u4E00-\u9FA5]', price_list[num].get_text()).group(0)

    unit_price = re.search('\d+[\u4E00-\u9FA5]/.', price_list[num].get_text()).group(0)

    tag_tmp_list = copy.deepcopy(fin_search_list[i][:3])

    for tag in [title, address, area, layout, floor, price, unit_price]:

     tag_tmp_list.append(tag)

    fin_info_list.append(tag_tmp_list)

   except:

    print('【抓取失败】')

    continue

 print('进程%s结束' % process_i)

 return fin_info_list

# 分配任务

def assignment_search_list(fin_search_list, project_num): # project_num每个进程包含的任务数，数值越小，进程数越多

 assignment_list = []

 fin_search_list_len = len(fin_search_list)

 for i in range(0, fin_search_list_len, project_num):

  start = i

  end = i+project_num

  assignment_list.append(fin_search_list[start: end]) # 获取列表碎片

 return assignment_list

# 存储抓取结果

def save_excel(fin_info_list, file_name):

 tag_name = ['区域', '板块', '地铁', '标题', '位置', '平米', '户型', '楼层', '总价', '单位平米价格']

 book = xlsxwriter.Workbook(r'C:\Users\Administrator\Desktop\%s.xls' % file_name) # 默认存储在桌面上

 tmp = book.add_worksheet()

 row_num = len(fin_info_list)

 for i in range(1, row_num):

  if i == 1:

   tag_pos = 'A%s' % i

   tmp.write_row(tag_pos, tag_name)

  else:

   con_pos = 'A%s' % i

   content = fin_info_list[i-1] # -1是因为被表格的表头所占

   tmp.write_row(con_pos, content)

 book.close()

if __name__ == '__main__':

 file_name = input(r'抓取完成，输入文件名保存：')

 fin_save_list = [] # 抓取信息存储列表

 # 一级筛选

 page = get_page(base_url)

 search_dict = get_search(page, 'r-')

 # 二级筛选

 for k in search_dict:

  print(r'************************一级抓取：正在抓取【%s】************************' % k)

  url = search_dict[k]

  second_page = get_page(url)

  second_search_dict = get_search(second_page, 'b-')

  search_dict[k] = second_search_dict

 # 三级筛选

 for k in search_dict:

  second_dict = search_dict[k]

  for s_k in second_dict:

   print(r'************************二级抓取：正在抓取【%s】************************' % s_k)

   url = second_dict[s_k]

   third_page = get_page(url)

   third_search_dict = get_search(third_page, 'w-')

   print('%s>%s' % (k, s_k))

   second_dict[s_k] = third_search_dict

 fin_info_list = get_info_list(search_dict, layer, tmp_list, search_list)

 fin_info_pn_list = get_info_pn_list(fin_info_list)

 p = Pool(4) # 设置进程池

 assignment_list = assignment_search_list(fin_info_pn_list, 2) # 分配任务，用于多进程

 result = [] # 多进程结果列表

 for i in range(len(assignment_list)):

  result.append(p.apply_async(get_info, args=(assignment_list[i], i)))

 p.close()

 p.join()

 for result_i in range(len(result)):

  fin_info_result_list = result[result_i].get()

  fin_save_list.extend(fin_info_result_list) # 将各个进程获得的列表合并

 save_excel(fin_save_list, file_name)

 endtime = datetime.datetime.now()

 time = (endtime - starttime).seconds

 print('总共用时：%s s' % time)



总结：

当抓取数据规模越大，对程序逻辑要求就愈严谨，对python语法要求就越熟练。如何写出更加pythonic的语法，也需要不断学习掌握的。

以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，同时也希望多多支持中文源码网！