代码功能简述：基于Python爬取安居客小区平均房价数据，网址：https://shantou.anjuke.com/community/p40/。获取到小区名称后，利用百度地图API查询其地理坐标。最后需要得到的是城市名、小区名称、经纬度、平均房价。
安居客网站页面如上图，只需获取红框内信息。
完整代码如下：
# -*- coding:utf-8 -*-
#这个爬虫是获取安居客小区数据(需要header)
import requests
from bs4 import BeautifulSoup
from urllib2 import urlopen, quote
import json
import sys
import time
from xpinyin import Pinyin #导入拼音模块
reload(sys)
sys.setdefaultencoding("utf-8")
class ajkxq: #创建一个类，类中有两个函数，分别是获取小区信息的getInfo()和得到小区名称后查询其经纬度的getlnglat()，其中getInfo()会调用getlnglat()函数
def getlnglat(self,address):
"""根据传入地名参数获取经纬度"""
url = 'http://api.map.baidu.com/geocoder/v2/'
output = 'json' #输出结果可以是json也可以是其他类型
ak = '你自己的密钥'
add = quote(str(address))#有时候quote会出错KeyError，要先把quote里面转成字符串类型
uri = url + '?' + 'address=' + add + '&output=' + output + '&ak=' + ak
#构建百度地图API查询需要的uri，uri与URL的区别见：https://www.zhihu.com/question/21950864
#下面这块代码是为了防止因为请求次数过多而产生的错误：urllib2.URLError: <urlopen error [Errno 10060] >
#如果出现该错误，就让程序暂停10秒（time.sleep(10)），继续重新获取该小区的坐标。
#timeout=30是防止因为网络原因出现延迟错误
maxNum=5
for tries in range(maxNum):
try:
req = urlopen(uri,timeout=30)#设置timeout30秒，防止百度屏蔽,如果被屏蔽就等30秒
except:
if tries < (maxNum - 1):
time.sleep(10)
continue
else:
print("Has tried %d times, all failed!", maxNum)
break
res = req.read().decode()
temp = json.loads(res)
lat = temp['result']['location']['lat']
lng = temp['result']['location']['lng']
return lat, lng
#获取小区信息的函数
def getInfo(self, page, fh, city, citypy):
url = 'https://'+citypy+'.anjuke.com/community/p' + str(page)+'/'
headers = { #由于安居客网站的反爬虫，这里必须要设置header
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Referer': 'https: // wuhan.anjuke.com / sale /?from=navigation',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
response = requests.get(url, headers=headers,timeout=30)
#以下是解析网页的过程
bs = BeautifulSoup(response.text, 'html.parser')
lis = bs.find_all('div', class_='li-itemmod')
for li in lis:
infos = li.find_all('div', class_='li-info')
for info in infos:
titles = info.find_all('h3')
for title in titles:
strTitle = title.get_text()
print city,page,strTitle
li_sides = li.find_all('div', class_='li-side')
strPrice = '暂无均价'
for li_side in li_sides:
ps = li_side.find_all('p')
for p in ps:
strongs=p.find_all('strong')
for price in strongs:
strPrice = price.get_text()
print strPrice
address = city + strTitle # 在前面加上城市变量，限定查询城市
try:
lat, lng = test.getlnglat(address)
print lat, lng
fh.write(city.strip()+','+strTitle.strip() + ',' + str(lat).strip() + ',' + str(lng).strip() +','+ strPrice.strip() + '\n')
# strip()是去掉每行后面的换行符，只有str类型才能用strip()
except KeyError: # 处理未知异常
print("Get AError")
if __name__ == '__main__':
print "开始爬数据，请稍等..."
start_time = time.time()
tup1 = [ #设置元组，循环取元组中的元素
'广州','深圳', '佛山', '东莞', '珠海', '中山', '惠州', '肇庆', '江门', '清远', '汕头','梅州', '河源',
'揭阳', '潮州', '汕尾', '韶关', '阳江', '茂名', '湛江', '云浮'
];
for i in tup1:
city = str(i)#构建拼音，这样每次就只要改这里的城市名就可以了
city = unicode(city, 'utf-8')
citypy = Pinyin() #实例化拼音模块的函数
citypy=str(citypy.get_pinyin(city, '')) #还有其他转换拼音的方法，比如在两个字之间加符号等
print citypy
stradd='C://Users//Administrator//PycharmProjects//···//guangdong.txt'
fh = open(stradd, "a")
#输入的文件编码格式必须要与上面type=sys.setdefaultencoding( "utf-8" )一致，即也必须是utf-8
for page in range(1, 101):
test=ajkxq()#实例化对象
test.getInfo(page, fh, city, citypy)#方法必须由实例调用
fh.close()
#time.sleep(3)#爬完一个城市后暂停3秒
end_time = time.time()
print "数据爬取完毕，用时%.2f秒" % (end_time - start_time)
