Python爬虫实战笔记_2-1 筛选房源

mongodb的使用
  1. step1 处理url,先得到各个page的url, 用geturls()得到每个page中各个房源的url, 再用soup解析得到每个房源的相关信息,依次存入数据库
  2. step2 从数据库查找>500的房源数据
  3. 顺便实现了断点续传
#!usr/bin/env python
#_*_ coding: utf-8 _*_
#
# 在mongodb中筛选房源
#
from bs4 import BeautifulSoup
import requests
import os
import urllib

import pymongo
from mongoconn import mongoset


def geturls(url):
    url_data = requests.get(url)
    soup = BeautifulSoup(url_data.text, "lxml")
    pagelist = soup.select('#page_list > ul > li > a')
    urllist = [item.get('href') for item in pagelist]
    return urllist

def getemtext(element):
    return element.get_text().strip()

def getgender(element):
    if element.get("class") == ["member_boy_ico"]:
        return 'male'
    elif element.get("class") == ["member_girl_ico"]:
        return 'female'
    else:
        return ''
    pass

def get_target_info(url):
    url_data = requests.get(url)
    soup = BeautifulSoup(url_data.text, "lxml")
    title = soup.select('div.pho_info > h4 > em')
    address = soup.select('div.pho_info > p > span.pr5')
    image = soup.select('div.pho_show_big > div > img')
    price = soup.select('div.bg_box > div.day_top > div > span')
    lordname = soup.select('div.bg_box > div > div > h6 > a.lorder_name')
    gender = soup.select('div.bg_box > div > div > h6 > span')
    lordpic = soup.select('div.bg_box > div > div.member_pic > a > img')

    data = {
        "title": getemtext(title[0]),
        "address": getemtext(address[0]),
        "image": image[0].get('src'),
        "price": getemtext(price[0]),
        "lordname": getemtext(lordname[0]),#.get_text(),
        "gender": getgender(gender[0]),
        "lordpic": lordpic[0].get('src')
    }
    return data

if __name__ == '__main__':
    tinfo = mongoset('xiaozhu', 'info')
    tinfo.create_index([('title', pymongo.DESCENDING), ('address', pymongo.DESCENDING)], unique=True)
    ### step1 save data into mongodb
    urls = ["http://sh.xiaozhu.com/search-duanzufang-p{}-0/".format(pageid) for pageid in range(1, 4)]
    print(urls)
    for url in urls:
        urllist = geturls(url)
        for urlitem in urllist:
            data = get_target_info(urlitem)
            print({'title': data['title']})
            try:
                tinfo.insert_one(data)
            except pymongo.errors.DuplicateKeyError:
                tinfo.update_one({'title': data['title']}, {'$set': {'price': data['price']}})
            except:
                pass

    ### step2 get target info
    for info in tinfo.find({'price': {'$gt': '500'}}):
        #if int(info['price']) >= 500:
        print(info)

部分输出信息如下

{'gender': 'female', 'lordpic': 'http://image.xiaozhustatic1.com/21/4,0,2,9380,374,374,194746bc.jpg', '_id': ObjectId('5775150484a5fd48784276e0'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/4,0,81,10040,1798,1200,a0fc0b77.jpg', 'lordname': '空白色', 'address': '上海市闸北区止园路99弄1号楼', 'title': '人民广场 外滩 地铁零距离旅游温馨便利两居室', 'price': '599'}
{'gender': 'female', 'lordpic': 'http://image.xiaozhustatic1.com/21/4,0,2,9380,374,374,194746bc.jpg', '_id': ObjectId('5775150684a5fd48784276e3'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/5,0,36,3151,1798,1200,62875638.jpg', 'lordname': '空白色', 'address': '上海市闸北区宝昌路399弄3号楼', 'title': '近外滩人民广场上海火车站地铁站的豪华公寓', 'price': '599'}
{'gender': 'female', 'lordpic': 'http://image.xiaozhustatic1.com/21/2,0,7,3130,260,260,1edf95cd.jpg', '_id': ObjectId('5775150c84a5fd48784276ed'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/2,0,74,4017,1800,1200,b920d1da.jpg', 'lordname': 'glorymedia', 'address': '上海市闵行区中春路新龙路', 'title': '近虹桥机场、高铁,花园钢琴房', 'price': '1088'}
{'gender': 'female', 'lordpic': 'http://image.xiaozhustatic1.com/21/6,0,64,1269,250,250,8cd6afee.jpg', '_id': ObjectId('5775150e84a5fd48784276f0'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/3,0,93,4657,1800,1200,38973fc6.jpg', 'lordname': '夏小G', 'address': '上海市嘉定区嘉宝梦之湾', 'title': '古镇多彩设计感北欧风格民居 电影拍摄片场', 'price': '550'}
{'gender': 'female', 'lordpic': 'http://image.xiaozhustatic1.com/21/1,0,2,3091,260,260,bd3907dd.jpg', '_id': ObjectId('5775151684a5fd48784276fd'), 'image': 'http://image.xiaozhustatic1.com/00,802,533/5,0,50,1993,1300,865,83b4ddfc.jpg', 'lordname': '介介', 'address': '上海市黄浦区中山南路398号', 'title': '独享外滩豪宅江景房 东方明珠 豫园', 'price': '799'}
{'gender': '', 'lordpic': 'http://image.xiaozhustatic1.com/21/2,0,30,4168,375,375,668e4b62.jpg', '_id': ObjectId('5775151c84a5fd4878427706'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/6,0,15,2889,1798,1200,4573a3c7.jpg', 'lordname': '王湘', 'address': '上海市徐汇区襄阳南路306弄', 'title': '法国手艺人打造/法租界花园洋房/电影拍摄地', 'price': '538'}
{'gender': 'male', 'lordpic': 'http://image.xiaozhustatic1.com/21/4,0,4,9896,329,329,b702853f.jpg', '_id': ObjectId('5775151e84a5fd4878427709'), 'image': 'http://image.xiaozhustatic1.com/00,800,533/4,0,85,10672,1798,1200,d35465af.jpg', 'lordname': 'siyan5', 'address': '上海市徐汇区淮海中路1200弄', 'title': '淮海中路靜安寺1/2/7/10号地铁两房两卫', 'price': '698'}

数据表中保存的数据截图


Screen Shot 2016-06-30 at 8.48.17 PM.png
总结
  • 有的房源没有房主的性别信息,将gender属性置空
  • from mongoconn import mongoset 引入的函数如下:
#!usr/bin/env python
#_*_ coding: utf-8 _*_
#
#  connect mongodb

import pymongo


def mongoset(db, table):
    client = pymongo.MongoClient('localhost', 27017)
    data = client[db]
    sheet = data[table]
    return sheet
  • mongo更新数据的用法:update_one
  • mongo设置主键的方法:create_index
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 210,978评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 89,954评论 2 384
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,623评论 0 345
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,324评论 1 282
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,390评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,741评论 1 289
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,892评论 3 405
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,655评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,104评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,451评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,569评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,254评论 4 328
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,834评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,725评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,950评论 1 264
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,260评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,446评论 2 348

推荐阅读更多精彩内容