从零学爬虫：采集房天下二手房信息

程序员文章站 2022-04-02 09:05:59

...

l 采集网站

【场景描述】采集房天下最新二手房信息。

【入口网址】https://tj.esf.fang.com/

【采集内容】

采集天津市房天下，二手房模块中的所有二手房的标题、价格、户型、面积、单价、朝向、楼层、装修、小区、区域、联系人、电话。

l 思路分析

配置思路概览：

l 配置步骤

1. 新建采集任务

选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

2.翻页配置

获取二手房页面中全部翻页链接，观察翻页链接规律发现：

https://tj.esf.fang.com/house/i32/ 第二页链接

https://tj.esf.fang.com/house/i33/ 第三页链接

https://tj.esf.fang.com/house/i34/ 第四页链接

不难发现，翻页链接组成为：

https://tj.esf.fang.com/house/i+页数+/

①故添加脚本如下：

②采集预览

3.链接抽取

①新建模板二，并新建一个链接抽取，用来抽取每个翻页中所有二手房链接。

从零学爬虫：采集房天下二手房信息

博客分类：教程数据分析技术干货数据采集爬虫教程爬虫

②列表链接需要脚本配置，操作如下图所示：

③查看页面源码，打开浏览器中该页面，点击F12，点击指针按钮，如下图所示，用指针按钮选中所需要的二手房链接，这时在右侧出现对应源码内容。说明链接在class为【shop_list shop_list_4】的节点下。

④经过观察发现，我们要找的是【shop_list shop_list_4】节点下每一个名为【dl】的节点对应一个二手房信息。

每个【dl】节点中的名为【dd】节点的子节点的子节点的href就是该二手房的链接。

⑤根据以上思路，具体配置脚本如下，配置好脚本后点击右上角【保存】。

文本如下：

var foor = DOM.FindClass("shop_list shop_list_4","div",0 );//找到class为shop_list shop_list_4的节点
var foora= DOM.FindName("dl",foora );//找到foor节点下名为dl的节点
while(foora)//如果是foora节点
{
	url link;//定义一个url
	var pro = DOM.FindName("dd",foora );	//找到foora节点下name为dd的节点
	link.urlname= url.StdUrl(URL.urlname,pro.child.child.href);//输出链接为pro节点的子节点的子节点的href
	link.title =pro.child.child.title;//输出链接标题为pro节点的子节点的子节点的title
	link.tmplid = 3;//关联模板2
	RESULT.AddLink(link);//结果输出一条链接
	foora = foora.next;//跳到foora节点的下一个节点，即下一个【class=listtxt】的节点
}

⑥采集预览如下所示：

2. 数据抽取

①链接抽取完成进入数据页，在原有模板基础上，右键选择【添加模板】，新添加的模板，右键【添加数据抽取】。

②此时要完成数据建表的工作：选择【数据建表】，点击【采集数据表结构】中的【+】，即可添加数据表，名称可以自定义，在此命名为房天下表单。

③数据表配置完成，选择【数据抽取】右侧数据属性配置，表单选择刚建立的“房天下”数据表，则可看到表单中的字段在左侧显示。

④点击脚本窗口，选择数据抽取脚本

⑤观察所需字段在页面中的位置，浏览器打开任意一个二手房详情页，点击F12，点击指针按钮，如下图所示，用指针按钮选中所需要的二手房字段信息，这时在右侧出现对应源码内容。

name_字段：如下图所示可知，本字段在class为【floatl tit_details】的节点下。

price字段：如下图所示可知，本字段在class为【trl-item price_esf sty1】的节点下。

type_字段：如下图所示可知，本字段在class为【tr-line clearfix】节点的子节点下。

area字段：如下图所示可知，本字段在class为【trl-item1 w182】节点的子节点下。

priceper字段：同理在class为【trl-item1 w132】节点的子节点下。

orientation字段：同理在class为【trl-item1 w146】节点的子节点下。

floor字段：虽然本字段在class为【trl-item1 w182】节点的子节点下，但是如下图所示，本页源码中不只一个trl-item1 w182，所以不能用同上述几个字段一样的方法来获取。

如下图所示，通过页面源码观察可发现，本字段在class为【tab-cont-right】的节点的子节点的下一个的下一个的下一个节点中的class为【trl-item1 w182】的节点中。

Renovate字段：由图可知，本字段在class为【tr-line clearfix】的节点下的class为【trl-item1 w132】的子节点中。

Estate字段：由图可知，本字段在class为【tr-line】的节点下的class为【rcont】的节点中的所有文本。

zone_字段：由图可知，本字段在class为【trl-item2 clearfix】的节点下的class为【rcont】的节点中的所有文本。

name_字段：由图可知，本字段在class为【zf_jjname】的节点中的所有文本内容。

Tel字段：由图可知，本字段为classid为【AgentTel】的字段中的value属性值。

⑥综上所述，数据抽取脚本如下所示：

脚本文本：

var floor=DOM.FindClass("tab-cont-right","div");
var floor1=floor.child.next.next.next;
var floor2=DOM.FindClass("tr-line","div");
var floor3=DOM.FindClass("trl-item2 clearfix","div").next;
var floor4=DOM.FindClass("zf_chat_line","a");
record re;
re.id = MD5(ur);
re.title = DOM.GetTextAll(DOM.FindClass("floatl tit_details","h1"));
re.price=DOM.GetTextAll(DOM.FindClass("trl-item price_esf  sty1","div",0));
re.type_=DOM.GetTextAll(DOM.FindClass("tr-line clearfix","div",0).child);
re.area=DOM.GetTextAll(DOM.FindClass("trl-item1 w182","div").child);
re.priceper=DOM.GetTextAll(DOM.FindClass("trl-item1 w132","div").child);
re.orientation=DOM.GetTextAll(DOM.FindClass("trl-item1 w146","div").child);
re.floor=DOM.GetTextAll(DOM.FindClass("trl-item1 w182","div",floor1));
re.renovate=DOM.GetTextAll(DOM.FindClass("trl-item1 w132","div",floor1).child);
re.estate=DOM.GetTextAll(DOM.FindClass("rcont","div",floor2));
re.zone_=DOM.GetTextAll(DOM.FindClass("rcont","div",floor3));
re.name_=DOM.GetTextAll(DOM.FindClass("zf_jjname","span"));
re.tel=DOM.FindId("AgentTel").value;
RESULT.AddRec(re,this.schemaid);

⑦以上完成全部字段配置，效果预览如下：