爬虫实战–拿下最全租房数据 | 附源码

爬虫实战封面.png

点赞再看,养成好习惯Python版本3.8.0,开发工具:Pycharm

写在前面的话

老规矩,目前为止,你应该已经了解爬虫的三个基本小节:

不了解的自行点进去复习

上一篇的实战只是给大家作为一个练手,数据内容比较少,且官网也有对应的 API,难度不大。

但是“麻雀虽小,五脏俱全”,如果这一节看完感觉流程还不是很熟悉,建议去看上一节:

好了,前面的回顾就到此为止。这节开始带大家真正搞事情

准备工作

确定目标

今天我们的目标是某家网,官网链接:https://www.lianjia.com/

当你用浏览器访问这个网址的时候,可能会自动变成 https://sz.lianjia.com/ 这种。

sz 代表的是城市深圳

(哈哈,是的,小一我现在在深圳。)

某家网上有二手房、新房、租房等等,我们今天的目标是 https://sz.lianjia.com/zufang/

“你没看错,zufang租房 的拼音“

所以,今天我们要爬取某家网的租房数据,地点:深圳。

设定流程

因为官网的数据每天都在发生变化,你也不必说要和我截图中的数据一模一样。

首先,我们已经确定了目标是某家网在深圳的所有租房数据,看一下首页

文章首发:公众号『知秋小梦』

截止2019-12-31号,深圳十个区共 32708 套深圳租房,好像还挺多的,不知道我们能不能全部爬下来。

按照官网每页30条数据来看,我们看一下翻页的显示:

文章首发:公众号『知秋小梦』

问题来了,显示页码只有100页,是不是100页之后被隐藏了呢?

我们试着在 url 中修改页码为pg101,结果发现显示的还是第100页的内容。

那,如何解决网页只有前100页数据?

设置搜索条件,确保每个搜索条件下的数据不超过3000条,这样我们就可以通过100页拿到所有的数据。

通过设置区域进行搜索,试试看:

文章首发:公众号『知秋小梦』

罗湖区 2792条数据 < 3000。

ok,我们再看看其他区

文章首发:公众号『知秋小梦』

好像不太妙,福田区整租都有4002套(已经设置了整租条件的情况下)。

没关系,我们继续设置搜索条件:

文章首发:公众号『知秋小梦』

新增居室搜索,可以看到福田区整租的一居有1621套,满足条件。

其他三个直接不用看了,肯定也满足。

继续查看剩余的几个区,发现也满足,搞定

那这样子的话,我们的步骤就是先检查记录数有没有超过3000条,超过了则继续增加新的条件,一直到不超过3000,然后分页遍历所有数据。

好,那我们稍微画一下流程图:

文章首发:公众号『知秋小梦』

确定条件

大致流程基本没什么问题了,我们看一下具体需要注意的搜索条件。

文章首发:公众号『知秋小梦』

首先是城市区域的获取,每个城市的区域都不一样,区域数据通过网页获取

其次是出租方式的获取,官网对应两种:整租和合租,观察 url 发现分别对应 rt200600000001、rt200600000002

然后是房屋居室的获取,官网对应四种:一居、二居、三居和四居,观察 url 发现分别对应 l0、l1、l2、l3(小写字母 L 不是1)

最后是分页的获取,官网 url 对应 pg+number

拼接成 url 之后是:

base_url+/区域/+pg+出租方式+居室

细节处理

  • 爬取的内容较多,每次爬取需要设置时间间隔
  • 需要增加浏览器标识,防止被封 ip
  • 需要增加检测机制,丢掉已经爬取过的数据
  • 数据需动态保存在文件中,防止被封后需要重头再来
  • 若要保存数据库,爬虫结束后再连接数据库

异常处理

官网中有一种类型的房屋,网页格式不标准,且拿不到具体数据。

对,就是公寓

可以看到,在房屋列表中公寓无论是在价格显示、房屋地址、朝向等都异于普通房屋。

文章首发:公众号『知秋小梦』

且在详细界面的内容也是无法拿到标准信息的

文章首发:公众号『知秋小梦』

对于这种数据,我们直接丢掉就好。

开始实战

根据流程图,步骤已经很清楚了:

  1. 确定城市,获取目标主页网址
  2. 针对数据,确定目标查询条件
  3. 针对总数,确定目标页码划分
  4. 针对内容,确定目标对象字段

你准备好了吗?

确定要获取的数据字段:

city: 城市  house_id:房源编号  house_rental_method:房租出租方式:整租/合租/不限  house_address:房屋地址:城市/区/小区/地址  house_longitude:经度  house_latitude:纬度  house_layout:房屋格局  house_rental_area:房屋出租面积  house_orientation:房屋朝向  house_rental_price:房屋出租价格  house_update_time:房源维护时间  house_tag:房屋标签  house_floor:房屋楼层  house_elevator:是否有电梯  house_parking:房屋车位  house_water:房屋用水  house_electricity:房屋用电  house_gas:房屋燃气  house_heating:房屋采暖  create_time:创建时间  house_note:房屋备注  # 额外字段  house_payment_method:房屋付款方式:季付/月付  housing_lease:房屋租期

第一件事,设置城市、网址和爬虫头部

# 通过城市缩写确定url  city_number = 'sz'  url = 'https://{0}.lianjia.com/zufang/'.format(city_number)

爬虫头部我们只需要设置一个 User-Agent 就行了

User-Agent 尽可能多的设置。(篇幅有限,这里只放一部分,更多设置请在文末获取源码查看)

# 主起始页  self.base_url = url  # 当前筛选条件下的页面  self.current_url = url  # 设置爬虫头部  self.headers = {  	'User-Agent': self.get_ua(),  }    def get_ua(self):      """      在UA库中随机选择一个UA      :return: 返回一个库中的随机UA      """      ua_list = [          "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",          "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0"      ]        return random.choice(ua_list)

接下来,获取当前城市的总记录数。

想一想,万一有的城市出租房总记录数都不大于3000,那我们岂不是连搜索条件都不用设置了?

每个城市的区域数据都不一样,如果要手动输入的话那太麻烦了。

我们直接通过网页获取到要查询城市的区域数据。

def get_house_count(self):      """      获取当前筛选条件下的房屋数据个数      @param text:      @return:      """      # 爬取区域起始页面的数据      response = requests.get(url=self.current_url, headers=self.headers)      # 通过 BeautifulSoup 进行页面解析      soup = BeautifulSoup(response.text, 'html.parser')      # 获取数据总条数      count = soup.find_all(class_='content__title--hl')[0].string        return soup, count     

获取到总记录数之后,就需要拿 3000 对它衡量一下了。

超过3000,则进行二次划分;不超过,则直接遍历获取数据

# 获取当前筛选条件下数据总条数  soup, count_main = self.get_house_count()    # 如果当前当前筛选条件下的数据个数大于最大可查询个数,则设置第一次查询条件  if int(count_main) > self.page_size*self.max_pages:      # 获取当前城市的所有区域,当做第一个查询条件      pass  else:      # 直接遍历获取数据      pass

第二步,添加条件

首先获取当前城市的所有区域

可以看到,深圳市的所有区域都在页面上

文章首发:公众号『知秋小梦』

多谢某家整理的整整齐齐,以后租房就去你家了

直接获取到所有符合要求的 li 标签,拿到区域数据

需要注意我们拿到的区域数据,我们只需要它的拼音,即 href 中后面的部分

# 拿到所有符合要求的 li 标签  soup_uls = soup.find_all('li', class_='filter__item--level2', attrs={'data-type': 'district'})  self.area = self.get_area_list(soup_uls)    def get_area_list(self, soup_uls):      """      获取城市的所有区域信息,并保存      """      area_list = []      for soup_ul in soup_uls:          # 获取 ul 中的 a 标签的 href 信息中的区域属性          href = soup_ul.a.get('href')          # 跳过第一条数据          if href.endswith('/zufang/'):              continue  		else:              # 获取区域数据,保存到列表中              area_list.append(href.replace('/zufang/', '').replace('/', ''))    	return area_list

拿到之后,直接遍历每个区域,将区域当做我们第一个查询条件

在第一个查询条件下,同样需要获取该条件下的总记录数

是不是有点熟悉,又重复第一步的工作了。体会到我为什么刚才把获取总记录数这个功能封装在函数里了吧,后面也还会再用到!

# 遍历区域,重新生成筛选条件  for area in self.area:  	self.get_area_page(area)    def get_area_page(self, area):      """      当前搜索条件:区域      @param area:      @return:      """      # 重新拼接区域访问的 url      self.current_url = self.base_url + area + '/'      # 获取当前筛选条件下数据总条数      soup, count_area = self.get_house_count()

在当前条件下,同样需要判断是否超过 3000条。

如果超过,同样进行条件划分

'''如果当前当前筛选条件下的数据个数大于最大可查询个数,则设置第二次查询条件'''  if int(count_area) > self.page_size * self.max_pages:  	# 遍历出租方式,重新生成筛选条件      for rental_method in self.rental_method:      	pass  else:  	# 直接遍历获取数据      pass

这里我们在初始化函数中定义了出租方式和居室情况,所以不需要再从网页上获取,可以直接 for 循环了。

每个城市的出租方式和居室数据都是固定的,直接定义好会更方便。

# 出租方式:整租+合租  self.rental_method = ['rt200600000001', 'rt200600000002']  # 居室:一居、二居、三居、四居+  self.rooms_number = ['l0', 'l1', 'l2', 'l3']

同样我们需要获取出租方式条件下的总记录数

# 重新拼接区域 + 出租方式访问的 url  self.current_url = self.base_url + area + '/' + rental_method + '/'  # 获取当前筛选条件下数据总条数  soup, count_area_rental = self.get_house_count()

同理,继续往下添加房屋居室数量

# 重新拼接区域 + 出租方式 + 居室 访问的 url  self.current_url = self.base_url + area + '/' + rental_method + room_number + '/'  # 获取当前筛选条件下数据总条数  soup, count_area_rental_room = self.get_house_count()

第三步,确定页数,并开始遍历每一页

设置相应的页码初始化数据,方便进行遍历

# 起始页码默认为0  self.start_page = 0  # 当前条件下的总数据页数  self.pages = 0  # 每一页的出租房屋个数,默认page_szie=30  self.page_size = page_size  # 最大页数  self.max_pages = 100

当我们最终条件确定的记录数不足3000时

就可以通过遍历页码获取所有数据。

# 确定页数  # count_number是当前搜索条件下的总记录数  self.pages = int(count_number/self.page_size)   if (count_number%self.page_size) == 0 else int(count_number/self.page_size)+1    '''遍历每一页'''  for page_index in range(1, self.pages+1):  	self.current_url = self.base_url + area + '/' + 'pg' + str(page_index) + rental_method + room_number + '/'    	# 解析当前页的房屋信息,获取到每一个房屋的详细链接  	self.get_per_house()  	page_index += 1

第四步,访问每个房屋的详细页面

上一步已经定位到整个页面了,我们来看看定位的页面

文章首发:公众号『知秋小梦』

这个页面已经包含详细页面的跳转 url以及当前房屋的部分主要数据

并且这部分主要数据比详细页面的主要数据更好拿到,格式更规整。

好,那就选它了。

def get_per_house(self):      """      解析每一页中的每一个房屋的详细链接      @return:      """      # 爬取当前页码的数据      response = requests.get(url=self.current_url, headers=self.headers)      soup = BeautifulSoup(response.text, 'html.parser')        # 定位到每一个房屋的 div (pic 标记的 div)      soup_div_list = soup.find_all(class_='content__list--item--main')      # 遍历获取每一个 div 的房屋详情链接和房屋地址      for soup_div in soup_div_list:          # 定位并获取每一个房屋的详情链接          detail_info = soup_div.find_all('p', class_='content__list--item--title twoline')[0].a.get('href')          detail_href = 'https://sz.lianjia.com/' + detail_info            # 获取详细链接的编号作为房屋唯一id          house_id = detail_info.split('/')[2].replace('.html', '')          '''解析部分数据'''          # 获取该页面中房屋的地址信息和其他详细信息          detail_text = soup_div.find_all('p', class_='content__list--item--des')[0].get_text()          info_list = detail_text.replace('n', '').replace(' ', '').split('/')          # 获取房屋租金数据          price_text = soup_div.find_all('span', class_='content__list--item-price')[0].get_text()

这里面我们需要注意开头说到的一点:公寓

公寓的 content__list--item--des 没有地址信息,所以我们通过长度去判断

# 如果地址信息为空,可以确定是公寓,而我们并不能在公寓详情界面拿到数据,所以,丢掉  if len(info_list) == 5:      # 解析当前房屋的详细数据      self.get_house_content(detail_href, house_id, info_list, price_text)

第五步,获取每个房屋的详细数据

上一步已经获取部分主要数据,这一步我们取剩下的数据。

首先先来看一下详细页面长啥样:

文章首发:公众号『知秋小梦』

最上边的维护时间显示房源的更新状态,要它!

最右边的房屋标签数据也有用,要它一部分!

最下边的基本信息太有用了吧,肯定要它!

# 生成一个有序字典,保存房屋结果  house_info = OrderedDict()    '''爬取页面,获得详细数据'''  response = requests.get(url=href, headers=self.headers, timeout=10)  soup = BeautifulSoup(response.text, 'html.parser')    '''解析房源维护时间'''  soup_div_text = soup.find_all('div', class_='content__subtitle')[0].get_text()  house_info['house_update_time'] = re.findall(r'd{4}-d{2}-d{2}', soup_div_text)[0]    '''解析房屋出租方式(整租/合租/不限)'''  house_info['house_rental_method'] = soup.find_all('ul', class_='content__aside__list')[0].find_all('li')[0].get_text().replace('租赁方式:', '')    '''解析房屋的标签'''  house_info['house_tag'] = soup.find_all('p', class_='content__aside--tags')[0].get_text().replace('n', '/').replace(' ', '')    '''房屋其他基本信息'''  # 定位到当前div并获取所有基本信息的 li 标签  soup_li = soup.find_all('div', class_='content__article__info', attrs={'id': 'info'})[0].  find_all('ul')[0].find_all('li', class_='fl oneline')  # 赋值房屋信息  house_info['house_elevator'] = soup_li[8].get_text().replace('电梯:', '')  house_info['house_parking'] = soup_li[10].get_text().replace('车位:', '')  house_info['house_water'] = soup_li[11].get_text().replace('用水:', '')  house_info['house_electricity'] = soup_li[13].get_text().replace('用电:', '')  house_info['house_gas'] = soup_li[14].get_text().replace('燃气:', '')  house_info['house_heating'] = soup_li[16].get_text().replace('采暖:', '')  house_info['create_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')  house_info['city'] = self.city    # 保存当前影片信息  self.data_info.append(house_info)

应该该拿的数据都拿到了。

不对,好像还有经纬度没有拿到。

检查一下,在 js 代码中发现了一个坐标

文章首发:公众号『知秋小梦』

看着很可疑,我们通过坐标反查看一看到底是不是这个房屋地址

文章首发:公众号『知秋小梦』

ok,没问题,正是我们要的,那把它也拿下吧!

'''解析经纬度数据'''  # 获取到经纬度的 script定义数据  location_str = response.text[re.search(r'(g_conf.coord)+', response.text).span()[0]:                               re.search(r'(g_conf.subway)+', response.text).span()[0]]  # 字符串清洗,并在键上添加引号,方便转化成字典  location_str=location_str.replace('n','').replace('','').replace("longitude","'longitude'").replace("latitude", "'latitude'")  # 获取完整经纬度数据,转换成字典,并保存  location_dict = eval(location_str[location_str.index('{'): location_str.index('}')+1])  house_info['house_longitude'] = location_dict['longitude']  house_info['house_latitude'] = location_dict['latitude']

第六步,保存数据

每 50 条数据追加保存到本地文件中当所有记录都爬完之后,将本地文件保存到数据库中。

数据需要保存到本地文件和数据库中。

其中本地文件每爬取50条追加保存记录,数据库只需要爬取结束后保存一次

def data_to_sql(self):      """      保存/追加数据到数据库中      @return:      """      # 连接数据库      self.pymysql_engine, self.pymysql_session = connection_to_mysql()      # 读取数据并保存到数据库中      df_data = pd.read_csv(self.save_file_path, encoding='utf-8')      # 导入数据到 mysql 中      df_data.to_sql('t_lianjia_rent_info', self.pymysql_engine, index=False, if_exists='append')    def data_to_csv(self):      """      保存/追加数据到本地      @return:      """      # 获取数据并保存成 DataFrame      df_data = pd.DataFrame(self.data_info)        if os.path.exists(self.save_file_path) and os.path.getsize(self.save_file_path):          # 追加写入文件          df_data.to_csv(self.save_file_path, mode='a', encoding='utf-8', header=False, index=False)  	else:          # 写入文件,带表头          df_data.to_csv(self.save_file_path, mode='a', encoding='utf-8', index=False)    	# 清空当前数据集      self.data_info = []

到此我们的流程就已经结束了。

小一我最终花了一天多的时间,爬取到了27000+数据。(公寓数据在爬取过程中已经丢掉了)

自行设置每次的休眠间隔,上面流程中我并没有贴出来,需要的在源代码中查看。

贴一下最终数据截图:

文章首发:公众号『知秋小梦』

总结一下

主要流程

  • 确定目标:爬取的网站网址以及要爬取的数据
  • 设定流程:详细说明了我们每一步如何进行,以及整体的流程图
  • 确定条件:在搜索过程中确定每个层级的搜索条件
  • 细节处理:爬取数据较多,增加必要的细节处理,提高代码健壮性
  • 异常处理:异常房屋类型的处理,在这里我们直接丢掉。

日常思考:

比起第一个项目,这个项目流程会复杂一些,但是本质上没有区别

可以看到爬虫的核心代码其实就是那几句。

思考以下几点:

  • 如果本次的网站需要登录,应该怎么办?
  • 如果你要租房,你应该怎么分析?

必要提醒

  • 上述方法仅针对当前的官网源代码
  • 本次爬虫内容仅用作交流学习

源码获取

公众号后台回复 某家租房 获取 爬取某家网租房信息源码

本次爬虫的结果数据不对外公开,有需要的交流学习的可以加群获取。(后台回复加群

写在后面的话

发现最近几篇文章都是5000字的长文,是我太啰嗦了吗(真的怀疑自己了)?

坚持读到这的晚上记得给自己加个鸡腿,你已经很棒了。

我、我、我也想要加个鸡腿

呸呸呸,说好的不拿人民群众一针一线。

那,点个在看总行吧?

原创不易,欢迎点赞噢

文章首发:公众号【知秋小梦】 文章同步:掘金,简书,csdn