使用网络爬虫爬取新浪二手房网站中的西安二手房信息

初步学会了使用爬虫来抓取一些简单的数据，学习了《网络数据采集》后，对使用采集动态加载页面有了一些初步认识。

通过抓取新浪二手房网站，对使用采集动态加载页面进行初步学习。

实现思想为：

从西安二手房主页面开始，通过将鼠标放置于一级区域上，加载出二级区域后，采集二级区域的url信息存储至url管理器。此处需要使用模块进行采集。

#获取小区域链接
def get_urls(baseurl,areas):urls=set()browser=webdriver.Firefox()browser.get(baseurl)for area in areas:right=browser.find_element_by_xpath("//a[@data-param='"+str(area['data-param'])+"']")ActionChains(browser).move_to_element(right).performhtml1=browser.page_sources_soup=BeautifulSoup(html1,'html.parser')s_area=s_soup.find_all('a',href=re.compile(r'b\d{1,2}-'+area['data-param']))for s in s_area:url=s['href']urls.add(url)browser.quit()return urls 

将所有的二级url采集存储完成后，逐个解析每个url页面，采集每个页面上的数据，

最后使用excel存储采集的数据。

代码实现如下：

#coding=UTF-8
import urllib2
from bs4 import BeautifulSoup
import re
from selenium import webdriver 
from selenium.webdriver.common.action_chains import ActionChains 
import xlwt    #下载网页   
def download(url):if url is None:return Nonetry:request=urllib2.Request(url)request.add_header('User-Agent','Mozilla/5.0' )response=urllib2.urlopen(request)except urllib2.URLError,e:if