有小伙伴说想拿链家二手房信息做数据分析,让帮忙抓点数据。并没有搞过,网上搜了一些资料试了一下,感觉不难可以搞,下面小结一下。
工具
●python的三方库:
●BeautifulSoup(用于解析数据)
pandas(用于处理数据,存储成Excel)
requests (用于发送请求)
三方库库的安装也比较简单,直接使用 pip install 相应的库名 即可:
pip install pandas pip install requests pip install beautifulsoup4 |
思路
抓包基本的意思就是用代码模拟用户的请求,然后解析相应的网页内容,择取出需要的信息即可。
简单看了一下链家的网页结构,是比较整齐的。这种就是深圳二手房列表分页的链接:
https://sz.lianjia.com/ershoufang/pg1 https://sz.lianjia.com/ershoufang/pg2 ... https://sz.lianjia.com/ershoufang/pg99 https://sz.lianjia.com/ershoufang/pg100 |
可以请求一下这个链接,然后解析返回结果,可以抓取到每一个房子详情页面的链接。我这边是通过正则匹配的方式解析的(详情参考源码中catchHouseList函数)。解析的结果大概像这样子:
https://sz.lianjia.com/ershoufang/105101151981.html https://sz.lianjia.com/ershoufang/105101102328.html https://sz.lianjia.com/ershoufang/105100779210.html https://sz.lianjia.com/ershoufang/105101254525.html https://sz.lianjia.com/ershoufang/105101201989.html https://sz.lianjia.com/ershoufang/105101262457.html |
获取详情链接之后,再请求这个详情链接,可以获得到详情信息。把获取到的详情信息通过 BeautifulSoup 解析,就能得到你要的数据。
最后,把这个数据通过 pandas 写入到Excel中即可(参考appendToXlsx函数)。写的时候是append的方式。
注意的是因为大部分网站对于链接访问都有一些限制,诸如访问太频繁了,服务器可能认为这个请求不正常,不会返回正确结果。因此每次请求一个网页之后,会等一会儿再请求下一个网页。不至于被服务器拒绝。
# 我这里设置为3秒 time.sleep(3) |
源码
下面是我的源码,应该安装完相应的三方库,在python环境运行下面的代码即可:
import requests from bs4 import BeautifulSoup import sys import os import time import pandas as pd import numpy as np from parsel import Selector import re headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 BIDUBrowser/8.7 Safari/537.36' } def catchHouseList(url): resp = requests.get(url, headers=headers, stream=True) if resp.status_code == 200: reg = re.compile('<li.*?class="clear">.*?<a.*?class="img.*?".*?href="(.*?)"') urls = re.findall(reg, resp.text) return urls return [] def catchHouseDetail(url): resp = requests.get(url, headers=headers) print(url) if resp.status_code == 200: info = {} soup = BeautifulSoup(resp.text, 'html.parser') info['标题'] = soup.select('.main')[0].text info['总价'] = soup.select('.total')[0].text info['总价单位'] = soup.select('.unit')[0].text info['每平方售价'] = soup.select('.unitPriceValue')[0].text # p = soup.select('.tax') # info['参考总价'] = soup.select('.tax')[0].text info['建造时间'] = soup.select('.subInfo')[2].text info['小区名称'] = soup.select('.info')[0].text info['所在区域'] = soup.select('.info a')[0].text + ':' + soup.select('.info a')[1].text info['链家编号'] = str(url)[34:].rsplit('.html')[0] info['房屋户型'] = str(soup.select('.content')[2].select('.label')[0].next_sibling) info['所在楼层'] = soup.select('.content')[2].select('.label')[1].next_sibling info['建筑面积'] = soup.select('.content')[2].select('.label')[2].next_sibling info['户型结构'] = soup.select('.content')[2].select('.label')[3].next_sibling info['套内面积'] = soup.select('.content')[2].select('.label')[4].next_sibling info['建筑类型'] = soup.select('.content')[2].select('.label')[5].next_sibling info['房屋朝向'] = soup.select('.content')[2].select('.label')[6].next_sibling info['建筑结构'] = soup.select('.content')[2].select('.label')[7].next_sibling info['装修情况'] = soup.select('.content')[2].select('.label')[8].next_sibling info['梯户比例'] = soup.select('.content')[2].select('.label')[9].next_sibling info['供暖方式'] = soup.select('.content')[2].select('.label')[10].next_sibling info['配备电梯'] = soup.select('.content')[2].select('.label')[11].next_sibling # info['产权年限'] = str(soup.select('.content')[2].select('.label')[12].next_sibling) return info pass def appendToXlsx(info): fileName = './链家二手房.xlsx' dfNew = pd.DataFrame([info]) if(os.path.exists(fileName)): sheet = pd.read_excel(fileName) dfOld = pd.DataFrame(sheet) df = pd.concat([dfOld, dfNew]) df.to_excel(fileName) else: dfNew.to_excel(fileName) def catch(): pages = ['https://sz.lianjia.com/ershoufang/pg{}/'.format(x) for x in range(1, 1001)] for page in pages: print(page) houseListURLs = catchHouseList(page) for houseDetailUrl in houseListURLs: try: info = catchHouseDetail(houseDetailUrl) appendToXlsx(info) except: pass time.sleep(3) pass if __name__ == '__main__': catch() |
瞎墨迹
虽然技术含量并不高,只是涉及到一些三方工具的使用。不过实践的过程中还是遇到一些问题,诸如对pandas的使用,因为从未接触过,就折腾了很久。大概很多看起来很简单的东西,真正弄起来的时候,依旧有预料不到的问题。
其次是抓包这件事,技术上觉得并不奇特(当然有些网站的抓包还是有难度的),但是小伙伴需要这个,也许一件事情并不仅仅从技术上考量其价值。
上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。