豆瓣小组爬虫

最近要租房,写了一个豆瓣租房小组的爬虫,直接上代码

python 复制代码
from lxml import etree
import requests
import time  
import pandas as pd
import tqdm

def get_code(start, group_url):
    url = group_url
    headers = {
   #填自己登录之后的cookie 参考教程https://blog.csdn.net/weixin_41666747/article/details/80315002
    }
    data = {
    'start': start,
    'type': 'new'
    }
    request = requests.get(url=url, params=data, headers=headers)
    response = request.text
    return response


def list_posts(response, page, titles, urls, dates, authors, replies):
    tree = etree.HTML(response)
    titles_arr = tree.xpath('//table[@class="olt"]/tr//td/a/@title')
    for t in range(len(titles_arr)):
        titles[page].append(titles_arr[t])
    urls_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="title"]//a/@href')
    for u in range(len(urls_arr)):
        urls[page].append(urls_arr[u])
    dates_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="time"]/text()')
    for d in range(len(dates_arr)):
        dates[page].append(dates_arr[d])
    authors_arr = tree.xpath('//table[@class="olt"]/tr//td[@nowrap="nowrap"]/a/text()')
    for a in range(len(authors_arr)):
        authors[page].append(authors_arr[a])
    replies_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="r-count "]/text()')
    for r in range(len(replies_arr)):
        replies[page].append(replies_arr[r])
    return titles, urls, dates, authors, replies


def get_page(all_page, group_url):
    titles = [[] for i in range(all_page)]
    urls = [[] for i in range(all_page)]
    dates = [[] for i in range(all_page)]
    authors = [[] for i in range(all_page)]
    replies = [[] for i in range(all_page)]
    for i in tqdm.tqdm(range(all_page)):
        start = i * 25
        time.sleep(0.05)
        response = get_code(start, group_url)
        titles, urls, dates, authors, replies = list_posts(response, i, titles, urls, dates, authors, replies)
    return titles, urls, dates, authors, replies


#北京租房 100万+ 个成员 在此聚集
group_url = 'https://www.douban.com/group/beijingzufang/discussion'
# 北京租房 481519 个成员 在此聚集
group_url = 'https://www.douban.com/group/sweethome/discussion'

all_page = 100
print('正在爬取' + str(int(all_page) * 25) + '篇帖子,请稍后...')

titles, urls, dates, authors, replies = get_page(int(all_page), group_url)

data = []  

for i in range(int(all_page)):
    for j in range(len(titles[i])):
        data.append({"Title": titles[i][j], "Author": authors[i][j], "Date": dates[i][j], "Url": urls[i][j]})  
#             print("【查找成功!第%d页】" % (i + 1))
#             print("标题:" + titles[i][j])
#             print("作者:" + authors[i][j])
# #             print("回复数:" + replies[i][j])
#             print("最后回复时间:" + dates[i][j])
#             print("链接:" + urls[i][j])
#             print('-----------------------------------------------------')
df = pd.DataFrame(data)  
# 将表格写入Excel文件  
df.to_excel("output.xlsx", index=True)
print('爬取完成!')


相关推荐
心中有国也有家1 小时前
GE图引擎深度解析——CANN的计算图优化与执行引擎
人工智能·pytorch·python·学习·numpy
卷毛的技术笔记2 小时前
告别硬编码!Spring AI Alibaba 实现 AI Agent 智能工具调用(Tool Calling)
java·人工智能·后端·python·spring·ai编程
编程大师哥2 小时前
匿名函数 lambda + 高阶函数
java·python·算法
vb2008112 小时前
FastAPI APIRouter
开发语言·python
adrninistrat0r2 小时前
Java调用链MCP分析工具
java·python·ai编程
杨充3 小时前
1.3 浮点型数据设计灵魂
开发语言·python·算法
meilindehuzi_a4 小时前
深入浅出数据结构:Python 字典(Dict)与集合(Set)的哈希表底层全链路追踪
数据结构·python·散列表
Lucas凉皮4 小时前
20243408 2025-2026-2 《Python程序设计》综合实践报告
python·实验报告
键盘上的猫头鹰4 小时前
【MySQL 教程(八)】索引、事务、用户管理、导入导出与分页查询
数据库·python·mysql
薛定谔的猫-菜鸟程序员4 小时前
2小时智能体开发一个智能体?我用CodeArts Agent 和 AtomCode 开发了一个适老化智能体。
人工智能·python·agent