利用代理IP爬取Zillow房产数据

武汉主理人- 英杰

6850人浏览 · 2024-11-18 13:38:10

武汉主理人- 英杰 · 2024-11-18 13:38:10 发布

引言

最近数据分析的热度在编程社区不断攀升，有很多小伙伴都开始学习或从事数据采集相关的工作。然而，网站数据已经成为网站的核心资产，许多网站都会设置一系列很复杂的防范措施，阻止外部人员随意采集其数据。为了解决这个问题，使用代理IP来访问网站就是一种既简单又有效的解决方案。使用代理IP能够让访问网站的流量看起来是由多个用户发出，而不是来自同一用户，从而避免被网站识别为爬虫程序。今天就和大家分享如何使用代理IP爬取数据。

代理IPhttps://www.bright.cn/use-cases/ecommerce?utm_source=brand&utm_campaign=brnd-mkt_cn_bilibili_yingjie&promo=yingjie

亮数据ISP代理服务

目前市面上代理IP服务的厂家有很多，亮数据属于比较早开始做的一批。经过多年的技术积累，不论是IP质量、稳定性还有一些便捷工具上都有它独到之处。这次我们就选择它作为我们代理IP的服务平台。

注册并登录账号之后，点击无限数据中心就可以开始购买服务了。下方的抓取浏览器、网络解锁器和搜索引擎爬虫SERP是亮数据为用户设计的低代码爬虫工具，大家可以按需取用。

这里我们需要填写名称和IP数量，其他使用默认设置即可。这次由于我们采集的是境外网站，所以IP区域选择大陆以外提高访问成功率。

配置好之后即可在控制台找到购买的业务，这是也会弹出一个帮助，为我们提供了预设的API接口和一段预置的代码。

我们把它复制下来，方便后面编写爬虫。之后我们要到代理服务的设置中添加白名单，把我们本地的IP地址填进白名单中，就可以正常访问了。

最后我们使用生成的样例代码测试一下服务是否通畅。可以看到运行之后回显了代理IP的区域信息。

实战：爬取Zillow房屋租赁页面

Zillow是一个美国的在线房地产信息平台，主要提供住宅买卖、租赁和投资信息。它包含了丰富的房数据和工具帮助用户了解市场、寻找合适的房源并做出明智的决策。首先我们先来观察一下目标网页。以纽约房价为例，我们搜索“new york”可以得到搜索结果。

我们本次的目标就在右边这个区域。按F12观察页面结构，可以看到所有搜索结果都是result-list-container的div中的一个列表中，每个<li>代表一个信息卡片。

展开<li>标签即可看到房源的地址和页面链接对应一个address标签和一个a标签。

而价格和户型则分别位于一个property-card-price的span和另一个ul列表中。

这里户型信息分散在ul的每个li中，要多次取出再拼接。顺便在网络中获得一些请求的头信息，等一下制作爬虫的时候会用到。

分析完页面，我们就可以开始制作爬虫了。我们主要分两个阶段执行，首先下载网页，然后使用xpath提取出目标数据。我们这次的任务目标是房源的地址、价钱、页面链接和户型信息。

首先我们配置一些全局参数。包括亮数据平台的API接口，前面我们拿到的请求头，目标URL。

proxy = {'http': 'http://brd-customer-hl_a0a48734-zone-zillow:1ps57ihiyeg1@brd.superproxy.io:22225',
         'https': 'http://brd-customer-hl_a0a48734-zone-zillow:1ps57ihiyeg1@brd.superproxy.io:22225'}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:128.0) Gecko/20100101 Firefox/128.0'}
url = 'http://www.zillow.com/new-york-ny/'

之后我们通过get_page()函数发送请求并获取页面内容。首先构建一个opener并将代理信息包含进去。之后通过这个opener和前面定义的请求头发送请求，将响应结果转换为文本并返回。

def get_page(target_url):
    opener = urllib.request.build_opener(urllib.request.ProxyHandler(proxy))
    req = urllib.request.Request(target_url, headers=headers)
    res = opener.open(req).read()
    return res

之后通过parse_page()函数解析HTML并提取数据。首先将网页HTML字符串解析为一个lxml的Element对象。然后使用XPath查找所有<li>标签，这些标签即为每个房产的信息卡片。接下来在每个<li>中分别提取：每个房产的链接，路径为/article//a[@class="property-card-link"]/@href；房产地址，路径为/article//a[@class="property-card-link"]/address/text()；房产价格，路径为/article//span[@data-test="property-card-price"]/text()；房产的详细信息，包括房间数、面积等，路径为/article//div[@class="property-card-data"]/div[2]/ul/li。最后将提取的数据被放入result列表中，并返回。

def parse_page(html):
    root = etree.HTML(html)
    lis = root.xpath('//div[@class="search-page-list-header"]/ul/li')
    result = []
    for li in lis:
        link = li.xpath('/article//a[@class="property-card-link"]/@href')[0]
        address = li.xpath('/article//a[@class="property-card-link"]/address/text()')[0]
        price = li.xpath('/article//span[@data-test="property-card-price"]/text()')[0]
        details = li.xpath('/article//div[@class="property-card-data"]/div[2]/ul/li')
        detail = ""
        for d in details:
            detail += d.xpath('/b/text()')[0] + ';'
        result.append({"link": link, "address": address, "price": price, "detail": detail})
    return result

最后调用这两个函数获取结果。完整代码如下：

#!/usr/bin/env python
import urllib.request
from lxml import etree
 
proxy = {'http': 'http://brd-customer-hl_a0a48734-zone-zillow:1ps57ihiyeg1@brd.superproxy.io:22225',
         'https': 'http://brd-customer-hl_a0a48734-zone-zillow:1ps57ihiyeg1@brd.superproxy.io:22225'}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:128.0) Gecko/20100101 Firefox/128.0'}
url = 'http://www.zillow.com/new-york-ny/'
 
 
def get_page(target_url):
    opener = urllib.request.build_opener(urllib.request.ProxyHandler(proxy))
    req = urllib.request.Request(target_url, headers=headers)
    res = opener.open(req).read()
    print(res)
    return res
 
 
def parse_page(html):
    root = etree.HTML(html)
    lis = root.xpath('//div[@class="search-page-list-header"]/ul/li')
    result = []
    for li in lis:
        link = li.xpath('/article//a[@class="property-card-link"]/@href')[0]
        address = li.xpath('/article//a[@class="property-card-link"]/address/text()')[0]
        price = li.xpath('/article//span[@data-test="property-card-price"]/text()')[0]
        details = li.xpath('/article//div[@class="property-card-data"]/div[2]/ul/li')
        detail = ""
        for d in details:
            detail += d.xpath('/b/text()')[0] + ';'
        result.append({"link": link, "address": address, "price": price, "detail": detail})
    return result
 
 
print(parse_page(get_page(url)))

运行之后可以看到成功抓取到了数据。

总结

通过上面的实战，我们可以看到代理服务可以大大提高爬虫的匿名性和效率。亮数据家的代理可以满足这两点需求。

对开发者而言，亮数据代理以其简单易用的特性，大幅降低了技术门槛。开发者可以快速上手，无需深入了解代理服务的底层技术细节，即可实现高效的数据抓取。这不仅加快了开发进程，也使得开发者能够将更多精力投入到数据分析和业务逻辑的构建上。

对于采购者，亮数据代理提供的价格实惠和套餐灵活，满足了不同规模和需求的采购预算。用户可以根据自己的实际需求选择合适的套餐，无论是初创企业还是大型机构，都能找到符合自身预算的解决方案。

促销来啦

亮数据重磅推出“免费试用优惠”及“首次充值优惠”

1）即日起，注册新用户，可以获得2+5共7美金免费试用产品的机会。

2）新客户首次充值优惠，充多少送多少，最高500美金。

3）数据中心代理和静态代理，最近做了大幅的价格和收费模式的调整，颇具竞争力，有兴趣的可以上公司主页了解详情。以上充值赠送活动，针对数据中心和静态代理同样有效！