JAVA高级面试进阶训练营视频教程

admin · 发表于 2021-4-26 14:36:27

源码地址：https://github.com/liguobao/58HouseSearch

在线地址：58公寓高德搜房(全国版)：http://codelover.link:8080/

周末闲着无事刷知乎发现一个爬虫教程（高德API+Python解决租房问题
），正中最近想要换地方住的痛点。然后大早上懒觉都没睡就屁颠屁颠开始研究这个教程了。这样教程在实验楼网站里面有手把手步骤，有兴趣自取（实验楼：高德API+Python解决租房问题）。

整体项目主要分成两步：

第一步:python爬取数据，生成数据文件;

第二部：导入数据文件，在地图上显示房源，设定上班地点后自动计算出行路线和路程时间。

研究了一下这个教程之后发现这货做得实在有点粗糙，只能当教程用，完全没有通用实际价值。

而且这里面还有个更大的问题：教程是基于北京的数据来做的，而我在上海…

虽然说改改python数据源，改改导航页面JS完事。不过是在难用…

于是，开始自己动手了。先看原有的python代码。


#-*- coding:utf-8 -*-
from bs4 import BeautifulSoup
from urlparse import urljoin
import requests
import csv

url = "http://bj.58.com/pinpaigongyu/pn/{page}/?minprice=2000_4000"

#已完成的页数序号，初时为0
page = 0

csv_file = open("rent.csv","wb") 
csv_writer = csv.writer(csv_file, delimiter=',')

while True:
 page += 1
 print "fetch: ", url.format(page=page)
 response = requests.get(url.format(page=page))
 html = BeautifulSoup(response.text)
 house_list = html.select(".list > li")

 # 循环在读不到新的房源时结束
 if not house_list:
 break

 for house in house_list:
 house_title = house.select("h2")[0].string.encode("utf8")
 house_url = urljoin(url, house.select("a")[0]["href"])
 house_info_list = house_title.split()

 # 如果第二列是公寓名则取第一列作为地址
 if "公寓" in house_info_list[1] or "青年社区" in house_info_list[1]:
 house_location = house_info_list[0]
 else:
 house_location = house_info_list[1]

 house_money = house.select(".money")[0].select("b")[0].string.encode("utf8")
 csv_writer.writerow([house_title, house_location, house_money, house_url])

csv_file.close()

整个代码基本思路就是，爬取http://bj.58.com/pinpaigongyu/pn/{page}/?minprice=2000_4000页面数据，然后扔到创建的csv文件里面作为下一步的数据源。
通过研究http://bj.58.com/pinpaigongyu/pn/{page}/?minprice=2000_4000这个页面的数据，我们可以很容易发现，在页面中，每条数据都是一个li标签。

如下图：

li结构如下：

<li logr="" class="">
 <a href="/pinpaigongyu/26851774057013x.shtml"
 target="_blank" onclick="clickLog('from=fcpc_list_gy_sh_tupian')" 
 tongji_label="listclick">
 <div class="img">
 <img lazy_src="" alt="" src="">
 </div>
 <div class="des">
 <h2>【合租】菊园新区 柳湖景庭 3室次卧</h2>
 <p class="room">
 3室1厅1卫&nbsp; &nbsp; 13m²&nbsp;&nbsp; 3/6层&nbsp; </p>
 <p class="dist"></p>
 <p class="spec">
 <span class="spec1">公共阳台</span>
 <span class="spec2">公共卫生间</span>
 <span class="spec3">离地铁近</span>
 <span class="spec4">厨房</span>
 </p>
 </div>
 <div class="money">
 <span><b>1100</b>元/月 </span>
 <p>租房月付</p>
 </div>
 </a>
</li>

照着python的思路，是把所有的li标签的数据提取出来的。

我自己研究的时候又看了下，其实数据都在一个属性为tongji_label=”listclick”的a标签里面。

一般来说，字符匹配用正则表达式完事，奈何正则水平实在不佳。我还是选择直接上HtmlAgilityPack算了。
关于HtmlAgilityPack的介绍还是看官网算了。HtmlAgilityPack

HtmlAgilityPack是.NET一个比较强大的HTML处理类库了，基本可以让你像JS来操作HTML标签。
安装这货很简单，直接在Nuget PM包管理工具里面输入下面命令就完事了。

1	Install-Package HtmlAgilityPack

有需要使用教程可以看这个：Html Agility Pack基础类介绍及运用

下面直接贴control源码算了。

/// </summary>
/// <param name="costFrom">价格区间起始值</param>
/// <param name="costTo">价格区间终止值</param>
/// <param name="cnName">城市拼音首字母</param>
/// <returns></returns>
public ActionResult Get58CityRoomData(int costFrom, int costTo, string cnName)
 {
 if (costTo<=0 || costTo < costFrom)
 {
 return Json(new { IsSuccess = false, Error = "输入数据有误，请重新输入。" });
 }

 if (string.IsNullOrEmpty(cnName))
 {
 return Json(new { IsSuccess = false, 
 Error = "城市定位失败，建议清除浏览器缓存后重新进入。" });
 }

 try
 {
 var lstHouse = new List<HouseInfo>();

 string tempURL = "http://" + 
 cnName + ".58.com/pinpaigongyu//pn/{0}/?minprice="
 + costFrom + "_" + costTo;

 Uri uri = new Uri(tempURL);

 var htmlResult = HTTPHelper.GetHTMLByURL(string.Format(tempURL, 1));

 HtmlDocument htmlDoc = new HtmlDocument();
 htmlDoc.LoadHtml(htmlResult);

 var countNodes = htmlDoc.DocumentNode.
 SelectSingleNode(".//span[contains(@class,'list')]");
 int pageCount = 10;

 if (countNodes != null && countNodes.HasChildNodes)
 {
 pageCount = Convert.ToInt32(countNodes.ChildNodes[0].InnerText) / 20;

 if(pageCount==0)
 {
 return Json(new { IsSuccess = false, 
 Error =string.Format("没有找到价格区间为{0} - {1}的房子。",
 costFrom,costTo)});
 }
 
 }
 for (int pageIndex = 1; pageIndex <= pageCount; pageIndex++)
 {
 htmlResult = HTTPHelper.GetHTMLByURL(string.Format(tempURL, pageIndex));
 htmlDoc.LoadHtml(htmlResult);
 var roomList = htmlDoc.DocumentNode
 .SelectNodes(".//a[contains(@tongji_label,'listclick')]");
 foreach (var room in roomList)
 {
 var houseTitle = room.SelectSingleNode(".//h2").InnerHtml;
 var houseURL = uri.Host + room.Attributes["href"].Value;
 var house_info_list = houseTitle.Split(' ');
 var house_location = string.Empty;
 if (house_info_list[1].Contains("公寓") 
 || house_info_list[1].Contains("青年社区"))
 {
 house_location = house_info_list[0];
 }
 else
 {
 house_location = house_info_list[1];
 }
 var momey = room.SelectSingleNode(".//b").InnerHtml;

 lstHouse.Add(new HouseInfo()
 {
 HouseTitle = houseTitle,
 HouseLocation = house_location,
 HouseURL = houseURL,
 Money = momey,
 });
 }
 }

 return Json(new { IsSuccess = true, HouseInfos = lstHouse });
 }
 catch (Exception ex)
 {
 return Json(new { IsSuccess = false,
 Error = "获取数据异常。" + ex.ToString() });
 }
 }

下面解释一下核心代码。

片段一：获取总数。

在观察58同城页面的时候，无意发现其实第一个加载的页面中有一个数据总条数，隐藏在页面里面的。

1	<span class="listsum"><em>1813</em>条结果</span>

这样一来，总页面就很清晰了。页面=总数/每页20条。然后我们根据已知的数据规则去循环请求页面，也就能拿到所有的搜索数据了。

核心代码，获取总条数。

var countNodes = htmlDoc.DocumentNode.
SelectSingleNode(".//span[contains(@class,'list')]");
int pageCount = 10;

if (countNodes != null && countNodes.HasChildNodes)
{
 pageCount = Convert.ToInt32(countNodes.ChildNodes[0].InnerText) / 20;

 if(pageCount==0)
 {
 return Json(new { IsSuccess = false, 
 Error =string.Format("没有找到价格区间为{0} - {1}的房子。",
 costFrom,costTo)});
 }
 
}

在HTMLDoc里面找到一个span的class包含list的节点，获取它子节点（即em）的内容，强制转换成数字，也就是我们要找的总条数了。总条数除以20就得到了页数，下面就是开始循环请求页面了。

在最上面我们分析过公寓数据分布，数据是li里面套a标签，我们需要的地理位置、房间名称、价格都在a标签里面。

这样一来，我们这要获得到页面所有带有属性为tongji_label=”listclick”的a标签数据，也就得到了我们所有需要的数据。

看一下a标签的数据组成：


<a href="/pinpaigongyu/26851774057013x.shtml"
 target="_blank" onclick="clickLog('from=fcpc_list_gy_sh_tupian')" 
 tongji_label="listclick">
 <div class="img">
 <img lazy_src="" alt="" src="">
 </div>
 <div class="des">
 <h2>【合租】菊园新区 柳湖景庭 3室次卧</h2>
 <p class="room">
 3室1厅1卫&nbsp; &nbsp; 13m²&nbsp;&nbsp; 3/6层&nbsp; </p>
 <p class="dist"></p>
 <p class="spec">
 <span class="spec1">公共阳台</span>
 <span class="spec2">公共卫生间</span>
 <span class="spec3">离地铁近</span>
 <span class="spec4">厨房</span>
 </p>
 </div>
 <div class="money">
 <span><b>1100</b>元/月 </span>
 <p>租房月付</p>
 </div>
 </a>

我们要的房间信息在一个h2的标签里面，公寓租金价钱在class=”money”的div标签里面。

于是有了一下代码：


 for (int pageIndex = 1; pageIndex <= pageCount; pageIndex++)
{
 htmlResult = HTTPHelper.GetHTMLByURL(string.Format(tempURL, pageIndex));
 htmlDoc.LoadHtml(htmlResult);
 //找到所有的带有属性为tongji_label="listclick"的a标签数据
 var roomList = htmlDoc.DocumentNode.SelectNodes(".//a[contains(@tongji_label,'listclick')]");
 foreach (var room in roomList)
 {
 //获取其中为h2的房间数据，然后用空格分割成数组
 var houseTitle = room.SelectSingleNode(".//h2").InnerHtml;
 var houseURL = uri.Host + room.Attributes["href"].Value;
 var house_info_list = houseTitle.Split(' ');
 var house_location = string.Empty;
 //分割出来的数组，第二个包含公寓或青年社区，则取第一个数据为所在地区，否则取第二个数据
 //【合租】菊园新区 柳湖景庭 3室次卧 
 // 所在地区为：菊园新区
 if (house_info_list[1].Contains("公寓") || house_info_list[1].Contains("青年社区"))
 {
 house_location = house_info_list[0];
 }
 else
 {
 house_location = house_info_list[1];
 }
 //获取标签为b的数据，价格就在里面了
 var momey = room.SelectSingleNode(".//b").InnerHtml;

 lstHouse.Add(new HouseInfo()
 {
 HouseTitle = houseTitle,
 HouseLocation = house_location,
 HouseURL = houseURL,
 Money = momey,
 });
 }
}

后端来说，基本就这些内容了。

还有一些前端高德地图接口调用下次再讲吧，要陪女票玩游戏去了…

^-^

		自动登录	找回密码
密码			立即注册

JAVA高级面试进阶训练营视频教程	Java架构师系统进阶VIP课程	分布式高可用全栈开发微服务教程	Go语言视频零基础入门到精通	Java架构师3期(课件+源码)
Java开发全终端实战租房项目视频教程	SpringBoot2.X入门到高级使用教程	大数据培训第六期全套视频教程	深度学习（CNN RNN GAN）算法原理	Java亿级流量电商系统视频教程
互联网架构师视频教程	年薪50万Spark2.0从入门到精通	年薪50万！人工智能学习路线教程	年薪50万大数据入门到精通学习路线	年薪50万机器学习入门到精通教程
仿小米商城类app和小程序视频教程	深度学习数据分析基础到实战	最新黑马javaEE2.1就业课程	从 0到JVM实战高手教程	MySQL入门到精通教程

JAVA高级面试进阶训练营视频教程

Java架构师系统进阶VIP课程

高德API+Python解决租房问题(.NET版)

li结构如下：