二手房价格及信息爬取
- 2019 年 12 月 24 日
- 筆記
本文为读者投稿，作者：董汇标MINUS 知乎：https://zhuanlan.zhihu.com/p/97235643
有一天，哥们群里聊到买房问题，因为都上班没几年，荷包还不够重。
然后我就想可以参考某家数据研究研究，房价什么情况了。
爬取准备
某家网站里有新房、二手房、租房等待。如果买房，尤其是在北京的首套，可能二手房是选择之一，那我就针对二手房研究一下。
虽然网上有很多数据源或者教程，但我还是打算重新抓一遍，一是保持数据是最新的，而是练手不犯懒。
需要技能：BeautifulSoup解析数据–正则表达式提取数据–csv存储数据
爬虫思路：常规网站爬虫思路
上图是某家二手房展示页面其中一套房的信息，我需要提取它的：位置、几室几厅、平米数、朝向、装修风格、层数、建造年份、建筑形式、售价。
然后通过HTML分析，找到他们对应的字段（这块爬虫教学里很多，不赘述）
from bs4 import BeautifulSoup import re import csv import requests import pandas as pd from random import choice import time
因为链家二手房一共100页，所以很明确的新建一个csv文档，把它名字取好，把列设置好。
columns = ['小区', '地区', '厅','平米数','方向','状态','层','build-year','形式','钱','单位','网址','推荐语'] # 如果文件由第一行,就不用了 with open('链家二手房100页.csv', 'w', newline='', encoding='utf-8') as file: writer = csv.writer(file, delimiter=',') writer.writerow(columns) file.close()
数据爬取
1. 100页那就写一个循环进行取数
2. 用BeautifulSoup进行页面数据解析
3. 通过正则表达式提取对应字段位置
4. 把提取的信息写入刚刚说的csv文件
5. 为了方便知道进度，在每页结尾加上打印，知道进度
6. 为了防止"给链家服务器带来压力“选择每页隔几秒再切换下页
7. 所有爬完了，打印一个fin~（这是我个人习惯）
i=1 for j in range(100): urll = base_url1+ str(i) +base_url2 print(urll) i += 1 get_page=requests.get(urll) bs_page = BeautifulSoup(get_page.text, 'html.parser') list_house = bs_page.findAll('div', class_='info clear') for house_one in list_house: house_info = house_one.find_all('div', class_='houseInfo') position_info = house_one.find_all('div', class_='positionInfo') totalPrice = house_one.find_all('div', class_='totalPrice') href = house_one.find_all('div', class_='title') # 正则提取 # 小区名,位置 position_str =re.findall('_blank">(.+)</a.+_blank">(.+)?</a', str(position_info)) position_str1 =list(position_str[0]) # print(type(position_str1),position_str1) # 房子信息 house_info_str=re.findall('span>(.+)?</div>', str(house_info)) house_info_str = str(house_info_str)[2:-2].split('|') # print(type(house_info_str), house_info_str) totalPrice_str=re.findall('<span>(.+)</span>(.+)</div>', str(totalPrice)) totalPrice_str = list(totalPrice_str[0]) # print(type(totalPrice_str), totalPrice_str) href_str =re.findall('http.+html', str(href)) # print(type(href_str), href_str) AD_str = re.findall('_blank">(.+)?</a>', str(href)) # print(type(AD_str), AD_str) house_all = position_str1 + house_info_str + totalPrice_str + href_str + AD_str print(house_all) # writer.writerow() with open('链家新房100个.csv', 'a', newline='', encoding='utf-8') as file: writer = csv.writer(file, delimiter=',') writer.writerow(house_all) file.close() print(f'---第{i}页---') times = choice([3, 4, 5, 6]) print(f'sleep{times}n') time.sleep(times) print('fin')
数据概况
当上边数据跑完了后，可以看到一个表格，打开后数据情况如下：
可以看到，小区名、地点、房型、平米数、方向、层数、建造年代、楼房形式、售价、对应详情页网址就都有啦~
如何利用这些数据进行数据分析？
见本公众号另一篇文章。
本文为读者投稿，作者：董汇标MINUS，首发于知乎，原文地址可以点击左下角原文链接。
