代码注释都很详细了，其实只要直接阅读源码即可。

这个爬虫的目的很简单，爬去某个房产网站的楼盘名字+价格+1张图片的下载（单纯测试文件下载功能），以备之后分析房价走势而用，为了不给对方服务器增加太多压力，我只选择了爬取3个页面。

我这里说说几个需要注意的知识点吧：

#记得修改发送的Headers
听说默认发送过去的都是带有python信息的头，很容易被对方网站检查出是一个爬虫机器人，导致IP被封，所以最好让自己的爬虫程序像人类一点，但是这个代码只能起到一般的隐瞒，真的有网站想防止爬虫，你也是骗不过的，上代码：

headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5) AppleWebKit 537.36 (KHTML, like Gecko) Chrome",
 "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8"},

#html的选择器，我采用pyquery而不是beautifulsoup
很多书都推荐beautifulsoup,但是作为一个习惯了jquery的人来说，beautifulsoup的语法实在是有点拗口，而且貌似还不支持:first-child等高级复杂的css选择器模式，或者支持，但是我没找到，也不是很仔细看文档。

然后我网上找了一下资料，发现很多人推荐pyquery这个库，自己下来用了一下，发现真的很舒服，所以果断采用了。

#爬虫思路
思路其实很简单：
1.找到某个房产的列表页，分析第二第三页的URL结构；
2.获取每一个列表页的所有列表条目信息的URL，存入python的set()集合中，之所以用set，是为了去掉重复的URL信息。
3.通过获取的房子的URL，进入详情页，再爬去有价值的字段信息，比如图片文字之类的。
4.目前我只进行简单的print数据而已，没有把获取的数据存为本地的json或者CSV格式，这个之后做吧，to be done.

下面是全部代码代码：

#获取页面对象
from urllib.request import urlopen
from urllib.request import urlretrieve
from pyquery import PyQuery as pq
#修改请求头模块,模拟真人访问
import requests
import time
#引入系统对象
import os

#你自己的配置文件，请将config-sample.py重命名为config.py,然后填写对应的值即可
import config

#定义链接集合，以免链接重复
pages = set()
session = requests.Session()
baseUrl = 'http://pic1.ajkimg.com'
downLoadDir = 'images'

#获取所有列表页连接
def getAllPages():
 pageList = []
 i = 1
 while(i < 2):
 newLink = 'http://sh.fang.anjuke.com/loupan/all/p' + str(i) + '/'
 pageList.append(newLink)
 i = i + 1
 return pageList

def getAbsoluteURL(baseUrl, source):
 if source.startswith("http://www."):
 url = "http://"+source[11:] 
 elif source.startswith("http://"):
 url = source
 elif source.startswith("www."):
 url = "http://"+source[4:] 
 else:
 url = baseUrl+"/"+source 
 if baseUrl not in url:
 return None 
 return url

#这个函数内部的路径按照自己的真实情况来写，方便之后的数据导入
def getDownloadPath(baseUrl, absoluteUrl, downloadDirectory): 
 path = absoluteUrl.replace("www.", "")
 path = path.replace(baseUrl, "")
 path = downloadDirectory+path
 directory = os.path.dirname(path)
 if not os.path.exists(directory): 
 os.makedirs(directory)
 return path

#获取当前页面的所有连接
def getItemLinks(url):
 global pages;
 #先判断是否能获取页面
 try:
 req = session.get(url, headers = config.value['headers'])
 #这个判断只能判定是不是404或者500的错误，如果DNS没法解析，是无法判定的
 except IOError as e:
 print('can not reach the page. ')
 print(e)
 
 else: 
 h = pq(req.text)
 #获取第一页的所有房子模块
 houseItems = h('.item-mod')
 #从模块中提取我们需要的信息，比如详情页的URL,价格，略缩图等
 #我倾向只获取详情页的URL，然后在详情页中获取更多的信息
 for houseItem in houseItems.items():
 houseUrl = houseItem.find('.items-name').attr('href')
 #print(houseUrl)
 pages.add(houseUrl)
 
#获取详情页的各种字段，这里可以让用户自己编辑
def getItemDetails(url):
 #先判断是否能获取页面
 try:
 req = session.get(url, headers = config.value['headers'])
 #这个判断只能判定是不是404或者500的错误，如果DNS没法解析，是无法判定的
 except IOError as e:
 print('can not reach the page. ')
 print(e)
 else:
 time.sleep(1)
 h = pq(req.text)

 #get title
 housePrice = h('h1').text() if h('h1') != None else 'none'

 #get price
 housePrice = h('.sp-price').text() if h('.sp-price') != None else 'none'

 #get image url
 houseImage = h('.con a:first-child img').attr('src')
 houseImageUrl = getAbsoluteURL(baseUrl, houseImage)
 if houseImageUrl != None:
 urlretrieve(houseImageUrl, getDownloadPath(baseUrl, houseImageUrl, downLoadDir)) 
 # if bsObj.find('em',{'class','sp-price'}) == None:
 # housePrice = 'None'
 # else:
 # housePrice = bsObj.find('em',{'class','sp-price'}).text;
 # if bsObj.select('.con a:first-child .item img')== None:
 # houseThumbnail = 'None'
 # else:
 # houseThumbnail = bsObj.select('.con a:first-child .item img');

 


#start to run the code
allPages = getAllPages()

for i in allPages:
 getItemLinks(i)
#此时pages 应该充满了很多url的内容
for i in pages:
 getItemDetails(i)
#print(pages)