从爬虫到机器学习预测，我是如何一步一步做到的？

Python数据科学

发布于 2018-09-14 19:02:01

2.4K0

发布于 2018-09-14 19:02:01

文章被收录于专栏：Python数据科学Python数据科学

-----这是 Python数据科学的第 44 篇原创文章-----

【作者】：xiaoyu

【介绍】：一个半路转行的数据挖掘工程师

【知乎专栏】：https://zhuanlan.zhihu.com/pypcfx

本篇主要介绍如何利用scrapy爬取链x和安x客的二手房源信息。

全文1578字 | 阅读需要8分钟

- ❶ -

前情回顾

前一段时间与大家分享了北京二手房房价分析的实战项目，分为分析和建模两篇。文章发出后，得到了大家的肯定和支持，在此表示感谢。

除了数据分析，好多朋友也对爬虫特别感兴趣，想知道爬虫部分是如何实现的。本篇将分享这个项目的爬虫部分，算是数据分析的一个 "前传" 篇。

- ❷ -

爬虫前的思考

爬虫部分主要是通过爬取链x 和 安x客 来获取二手房住房信息，因为考虑到不同网站的房源信息可以互补，所以选择了两个网站。

爬取目标是北京二手房，仅针对一个城市而言，数据量并不大。所以直接采用Scrapy来完成爬取工作，然后将数据存储在csv格式的文件中。最终爬取结果是这样的，链x的爬虫爬取了 30000+条数据，安x客的爬虫爬取了 3000+条数据。不得不说链x的房源相对来讲还是比较全的。

- ❸ -

scrapy爬取链x

写一个爬虫最开始当然要想清楚需要获取什么样的数据了。本次项目对与二手房相关的数据都比较感兴趣，可以自然的想到，每个房源链接的具体详细信息是最全的。但考虑到爬虫深度影响整体爬虫效率问题，并且房源列表中数据已经能够满足基本的要求，并没有必要对每个详细链接进行深入的爬取，因此最终选择爬取房源列表。以下是房源列表（部分截图）中的房源信息：

确定以上爬取内容后，就开始爬虫部分的工作。首先在item.py文件中定义一个子类，该子类继承了父类scrapy.Item，然后在子类中用scrapy.Field()定义以上信息的字段。如下代码，将所有需要的字段信息都设置好。

import scrapy

class LianjiaSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    Id = scrapy.Field()
    Region = scrapy.Field()
    Garden = scrapy.Field()
    Layout = scrapy.Field()
    Size = scrapy.Field()
    Direction = scrapy.Field()
    Renovation = scrapy.Field()
    Elevator = scrapy.Field()
    Floor = scrapy.Field()
    Year = scrapy.Field()
    Price = scrapy.Field()
    District = scrapy.Field()
    pass

在spider文件夹下的爬取文件（自定义）中导入所需库，如下代码：

json：json格式的转换；
scrapy：scrapy库；
logging：日志；
BeautifulSoup：使用bs4提取网页信息；
table：settings中自设的一个字典；
LianjiaSpiderItem：字段Field；

# -*- coding:utf-8 -*-
import json
import scrapy
import logging
from bs4 import BeautifulSoup
from lianjia_spider.settings import table
from lianjia_spider.items import LianjiaSpiderItem

下面进入关键部分，即爬虫部分。这部分主要需要自己做的就是如何解析，而对于爬虫是如何爬取的我们不用关心，因为它是框架已经在底层完成调度和爬取的实现，我们只要简单调用即可。

具体详细框架结构可参见：Python爬虫之Scrapy学习（基础篇）

爬虫解析部分，是在继承scrapy.Spider父类的子类LianjiaSpider中完成的。子类中设有三个函数，并通过callback回调逐层实现解析功能，这三个函数是：

start_requests：覆盖父类中原有函数，爬取初始url并存入消息队列中；
page_navigate：解析初始url页面，循环爬取各初始url页面下的所有页码链接；
parse：爬取每个页码下的所有详细房源链接，提取相应的字段信息，并储存至items中；

下面是三个函数的功能描述，以及代码实现。

start_requests

任何爬虫都需要有初始url，然后由初始url继续深入爬取进一步的url，直到爬取到所需数据。由于链家二手房url的特征是，由一个基础url和各大区拼音拼接组成，因此在start_requests函数中定义了base_url的基础url，和需要拼接的北京各大区的拼音列表。

然后由这些拼接的各大区url作为所有的初始url链接，并由scrapy.Request方法对每个链接发出异步请求，代码如下：

class LianjiaSpider(scrapy.Spider):
    name = 'lianjia'
    base_url = 'https://bj.lianjia.com/ershoufang/'

    def start_requests(self):
        district = ['dongcheng', 'xicheng', 'chaoyang', 'haidian', 'fengtai', 'shijingshan', 'tongzhou', 'changping',
                    'daxing', 'yizhuangkaifaqu', 'shunyi', 'fangshan', 'mentougou', 'pinggu', 'huairou',
                    'miyun', 'yanqing', 'yanjiao', 'xianghe']
        for elem in district:
            region_url = self.base_url + elem
            yield scrapy.Request(url=region_url, callback=self.page_navigate)

page_navigate

对每个大区url发出异步请求后，我们需要对各大区内的所有房源列表url进行进一步的爬取，而为了能够顺利的将全部内容爬取，我们就要解决页码循环的问题。在page_navigate函数中，使用BeautifulSoup解析html，提取页面中的pages数据。

BeautifulSoup的具体使用方法参见：Python爬虫之BeautifulSoup解析之路

爬取获得的pages数据是json字符串，所以需要使用json.loads将其转换为字典格式，然后得到max_number。最后通过for循环不断发送每个页码url的链接完成异步请求，并使用callback调用进入下一步的函数中，代码如下：

    def page_navigate(self, response):
        soup = BeautifulSoup(response.body, "html.parser")
        try:
            pages = soup.find_all("div", class_="house-lst-page-box")[0]
            if pages:
                dict_number = json.loads(pages["page-data"])
                max_number = dict_number['totalPage']
                for num in range(1, max_number + 1):
                    url = response.url + 'pg' + str(num) + '/'
                    yield scrapy.Request(url=url, callback=self.parse)
        except:
            logging.info("*******该地区没有二手房信息********")

parse

parse函数中，首先通过BeautifulSoup解析每个页码下的所有房源列表信息，得到house_info_list。链x房源列表中没有所在大区信息，但是房源所在区域对于后续数据分析是很重要的，而仅通过页面解析我们没办法获取。为了获得这个字段该如何实现呢？

我们可以通过response.url来判断，因为url正好是我们开始用所在区域拼接而成的，我们构造url的时候已经包含了大区信息。那么简单的通过辨识url中的大区拼音，就可以解决该问题了。然后使用字典table将对应的中文所在区名映射到Region字段中。

接下来开始对房源列表 house_info_list中的每个房源信息info进行解析。根据链x的页面结构，可以看到，每个info下有三个不同位置的信息组，可通过class_参数进行定位。这三个位置信息分别是house_info，position_info，price_info，每组位置下包含相关字段信息。

house_info：如图包含Garden，Size，Layout，Direction，Renovation，Elevator房屋构造等字段信息；
position_info：如图包含Floor，Year，District等位置年限字段信息；
price_info：如图包含Total_price，price等字段信息；

这里说的位置不同是在前端html页面中的标签位置不同。

具体操作方法参见下面代码：

    def parse(self, response):
        item = LianjiaSpiderItem()
        soup = BeautifulSoup(response.body, "html.parser")

        #获取到所有子列表的信息
        house_info_list = soup.find_all(name="li", class_="clear")

        # 通过url辨认所在区域
        url = response.url
        url = url.split('/')
        item['Region'] = table[url[-3]]

        for info in house_info_list:
            item['Id'] = info.a['data-housecode']

            house_info = info.find_all(name="div", class_="houseInfo")[0]
            house_info = house_info.get_text()
            house_info = house_info.replace(' ', '')
            house_info = house_info.split('/')
            # print(house_info)
            try:
                item['Garden'] = house_info[0]
                item['Layout'] = house_info[1]
                item['Size'] = house_info[2]
                item['Direction'] = house_info[3]
                item['Renovation'] = house_info[4]
                if len(house_info) > 5:
                    item['Elevator'] = house_info[5]
                else:
                    item['Elevator'] = ''
            except:
                print("数据保存错误")

            position_info = info.find_all(name='div', class_='positionInfo')[0]
            position_info = position_info.get_text()
            position_info = position_info.replace(' ', '')
            position_info = position_info.split('/')
            # print(position_info)
            try:
                item['Floor'] = position_info[0]
                item['Year'] = position_info[1]
                item['District'] = position_info[2]
            except:
                print("数据保存错误")

            price_info = info.find_all("div", class_="totalPrice")[0]
            item['Price'] = price_info.span.get_text()

            yield item

对于链x的爬取，没用xpath的原因是提取一些标签实在不是很方便（只是针对于链x），因此博主采用了beautifulSoup。

- ❹ -

scrapy爬取安x客

这部分之前就有分享过，可以参见：Scrapy爬取二手房信息+可视化数据分析

以下是核心的爬虫部分，与链x爬取部分的思想一致，不同的是使用了xpath进行解析和ItemLoader对item加载储存。

# -*- coding:utf-8 -*-

import scrapy
from scrapy.loader import ItemLoader
from anjuke.items import AnjukeItem

class AnjukeSpider(scrapy.Spider):
    name = 'anjuke'
    custom_settings = {
        'REDIRECT_ENABLED': False
    }
    start_urls = ['https://beijing.anjuke.com/sale/']

    def start_requests(self):
        base_url = 'https://beijing.anjuke.com/sale/'
        for page in range(1, 51):
            url = base_url + 'p' + str(page) + '/'
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        num = len(response.xpath('//*[@id="houselist-mod-new"]/li').extract())
        house_info = response.xpath('//*[@id="houselist-mod-new"]')
        print(house_info)
        for i in range(1, num + 1):
            l = ItemLoader(AnjukeItem(), house_info)

            l.add_xpath('Layout', '//li[{}]/div[2]/div[2]/span[1]/text()'.format(i))
            l.add_xpath('Size', '//li[{}]/div[2]/div[2]/span[2]/text()'.format(i))
            l.add_xpath('Floor', '//li[{}]/div[2]/div[2]/span[3]/text()'.format(i))
            l.add_xpath('Year', '//li[{}]/div[2]/div[2]/span[4]/text()'.format(i))
            l.add_xpath('Garden', '//li[{}]/div[2]/div[3]/span/text()'.format(i))
            l.add_xpath('Region', '//li[{}]/div[2]/div[3]/span/text()'.format(i))
            l.add_xpath('Price', '//li[{}]/div[3]/span[1]/strong/text()'.format(i))

            yield l.load_item()