其他
Python爬取链家北京二手房数据
赵宏田，Python社区专栏作者
博客：https://zhuanlan.zhihu.com/pythoncoder
今天分享一下前段时间抓取链家上北京二手房数据的项目。本次分享分为两部分，第一部分介绍如何使用scrapy抓取二手房数据，第二部分我将抓下来的数据进行了一些简单的分析和可视化。最后我会贴上数据，感兴趣的朋友可以深入分析
Github地址：https://github.com/HunterChao/Crawler
1、使用scrapy抓取二手房数据
文章目录结构
D:.
│ run.py
│ scrapy.cfg
│
└─LianJia
│ items.py
│ pipelines.py
│ settings.py
│ __init__.py
│
├─spiders
│ lianjia.py
│ __init__.py
lianjia.py是程序的主要运行文件，run.py为程序启动文件。在pycharm下执行run.py即可启动程序。
项目分析：
链接的构造：我们通过抓取首页可以获得北京市各城区的名称（如：东城、西城、朝阳）及对应的拼音，进一步通过遍历每个城区对应的页码数（Pn）即可构造出各城区的二手房链接。
信息的抓取：在进入各个城区的二手房页面时，可匹配出每个房源的详细信息。这里需要注意的是，由于我想将各房源的经纬度信息获取以便可视化到地图上，需要找到每个房源的详情页链接，进入该链接，匹配出经纬度相关的字段。（resblockPosition）
数据字段：item.py
# -*- coding: utf-8 -*-
import scrapy
class LianjiaItem(scrapy.Item):
# 标签 小区 户型 面积 关注人数 观看人数 发布时间 价格 均价 详情链接 经纬度 城区
title = scrapy.Field()
community = scrapy.Field()
model = scrapy.Field()
area = scrapy.Field()
focus_num = scrapy.Field()
watch_num = scrapy.Field()
time = scrapy.Field()
price = scrapy.Field()
average_price = scrapy.Field()
link = scrapy.Field()
Latitude = scrapy.Field()
city = scrapy.Field()
主要运行函数：lianjia.py
# -*- coding: utf-8 -*-
import scrapy
import requests
import re
import time
from lxml import etree
from ..items import LianjiaItem
from scrapy_redis.spiders import RedisSpider
class LianjiaSpider(RedisSpider):
name = 'lianjiaspider'
redis_key = 'lianjiaspider:urls'
start_urls = 'http://bj.lianjia.com/ershoufang/'
def start_requests(self):
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
Safari/537.36 SE 2.X MetaSr 1.0'
headers = {'User-Agent': user_agent}
yield scrapy.Request(url=self.start_urls, headers=headers, method='GET', callback=self.parse)
def parse(self, response):
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
Safari/537.36 SE 2.X MetaSr 1.0'
headers = {'User-Agent': user_agent}
lists = response.body.decode('utf-8')
selector = etree.HTML(lists)
area_list = selector.xpath('/html/body/div[3]/div[2]/dl[2]/dd/div[1]/div/a')
for area in area_list:
try:
area_han = area.xpath('text()').pop() # 地点
area_pin = area.xpath('@href').pop().split('/')[2] # 拼音
area_url = 'http://bj.lianjia.com/ershoufang/{}/'.format(area_pin)
print(area_url)
yield scrapy.Request(url=area_url, headers=headers, callback=self.detail_url, meta={"id1":area_han,"id2":area_pin} )
except Exception:
pass
def get_latitude(self,url): # 进入每个房源链接抓经纬度
p = requests.get(url)
contents = etree.HTML(p.content.decode('utf-8'))
latitude = contents.xpath('/ html / body / script[19]/text()').pop()
time.sleep(3)
regex = '''resblockPosition(.+)'''
items = re.search(regex, latitude)
content = items.group()[:-1] # 经纬度
longitude_latitude = content.split(':')[1]
return longitude_latitude[1:-1]
def detail_url(self,response):
'http://bj.lianjia.com/ershoufang/dongcheng/pg2/'
for i in range(1,101):
url = 'http://bj.lianjia.com/ershoufang/{}/pg{}/'.format(response.meta["id2"],str(1))
time.sleep(2)
try:
contents = requests.get(url)
contents = etree.HTML(contents.content.decode('utf-8'))
houselist = contents.xpath('/html/body/div[4]/div[1]/ul/li')
for house in houselist:
try:
item = LianjiaItem()
item['title'] = house.xpath('div[1]/div[1]/a/text()').pop()
item['community'] = house.xpath('div[1]/div[2]/div/a/text()').pop()
item['model'] = house.xpath('div[1]/div[2]/div/text()').pop().split('|')[1]
item['area'] = house.xpath('div[1]/div[2]/div/text()').pop().split('|')[2]
item['focus_num'] = house.xpath('div[1]/div[4]/text()').pop().split('/')[0]
item['watch_num'] = house.xpath('div[1]/div[4]/text()').pop().split('/')[1]
item['time'] = house.xpath('div[1]/div[4]/text()').pop().split('/')[2]
item['price'] = house.xpath('div[1]/div[6]/div[1]/span/text()').pop()
item['average_price'] = house.xpath('div[1]/div[6]/div[2]/span/text()').pop()
item['link'] = house.xpath('div[1]/div[1]/a/@href').pop()
item['city'] = response.meta["id1"]
self.url_detail = house.xpath('div[1]/div[1]/a/@href').pop()
item['Latitude'] = self.get_latitude(self.url_detail)
except Exception:
pass
yield item
except Exception:
pass
抓取效果：
2、北京二手房数据的简单分析
北京二手房数据：https://pan.baidu.com/share/init?shareid=237386059&uk=1495588180，密码：rfli
免费爬虫视频获取： 关注公众号，“Python爱好者社区”，回复“爬虫”即可获取。
为大家提供与Python相关的最新技术和资讯。
长按指纹 > 识别图中二维码 > 添加关注