Python爬虫 爬取北京二手房数据

前言

Python现在非常火,语法简单而且功能强大,很多同学都想学Python!所以小的给各位看官们准备了高价值Python学习视频教程及相关电子版书籍,欢迎前来领取!

房价高是北漂们一直关心的话题,本文就对北京的二手房数据进行了分析。

本文主要分为两部分:Python爬取赶集网北京二手房数据,R对爬取的二手房房价做线性回归分析,适合刚刚接触Python&R的同学们学习参考。

Python爬取赶集网北京二手房数据

入门爬虫一个月,所以对每一个网站都使用了Xpath、Beautiful Soup、正则三种方法分别爬取,用于练习巩固。数据来源如下:

Xpath爬取:

这里主要解决运用Xpath如何判断某些元素是否存在的问题,比如如果房屋没有装修信息,不加上判断,某些元素不存在就会导致爬取中断。

import requests

from lxml import etree

from requests.exceptions import RequestException

import multiprocessing

import time

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

def get_one_page(url):

try:

response = requests.get(url, headers=headers)

if response.status_code == 200:

return response.text

return None

except RequestException:

return None

def parse_one_page(content):

try:

selector = etree.HTML(content)

ALL = selector.xpath('//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div')

for div in ALL:

yield {

'Name': div.xpath('dl/dd[1]/a/text()')[0],

'Type': div.xpath('dl/dd[2]/span[1]/text()')[0],

'Area': div.xpath('dl/dd[2]/span[3]/text()')[0],

'Towards': div.xpath('dl/dd[2]/span[5]/text()')[0],

'Floor': div.xpath('dl/dd[2]/span[7]/text()')[0].strip().replace('\n', ""),

'Decorate': div.xpath('dl/dd[2]/span[9]/text()')[0],

#地址需要特殊处理一下

'Address': div.xpath('dl/dd[3]//text()')[1]+div.xpath('dl/dd[3]//text()')[3].replace('\n','')+div.xpath('dl/dd[3]//text()')[4].strip(),

'TotalPrice': div.xpath('dl/dd[5]/div[1]/span[1]/text()')[0] + div.xpath('dl/dd[5]/div[1]/span[2]/text()')[0],

'Price': div.xpath('dl/dd[5]/div[2]/text()')[0]

}

if div['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price'] == None:##这里加上判断,如果其中一个元素为空,则输出None

return None

except Exception:

return None

def main():

for i in range(1, 500):#这里设置爬取500页数据,在数据范围内,大家可以自设置爬取的量

url = 'http://bj.ganji.com/fang5/o{}/'.format(i)

content = get_one_page(url)

print('第{}页抓取完毕'.format(i))

for div in parse_one_page(content):

print(div)

if __name__ == '__main__':

main()

Beautiful Soup爬取:

import requests

import re

from requests.exceptions import RequestException

from bs4 import BeautifulSoup

import csv

import time

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

def get_one_page(url):

try:

response = requests.get(url,headers = headers)

if response.status_code == 200:

return response.text

return None

except RequestException:

return None

def parse_one_page(content):

try:

soup = BeautifulSoup(content,'html.parser')

items = soup.find('div',class_=re.compile('js-tips-list'))

for div in items.find_all('div',class_=re.compile('ershoufang-list')):

yield {

'Name':div.find('a',class_=re.compile('js-title')).text,

'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出

'Area':div.find('dd',class_=re.compile('size')).contents[5].text,

'Towards':div.find('dd',class_=re.compile('size')).contents[9].text,

'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''),

'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,

'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''),

'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text,

'Price':div.find('div',class_=re.compile('time')).text

}

#有一些二手房信息缺少部分信息,如:缺少装修信息,或者缺少楼层信息,这时候需要加个判断,不然爬取就会中断。

if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:

return None

except Exception:

return None

def main():

for i in range(1,50):

url = 'http://bj.ganji.com/fang5/o{}/'.format(i)

content = get_one_page(url)

print('第{}页抓取完毕'.format(i))

for div in parse_one_page(content):

print(div)

with open('Data.csv', 'a', newline='') as f: # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。

fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price']

writer = csv.DictWriter(f, fieldnames=fieldnames)

writer.writeheader()

for item in parse_one_page(content):

writer.writerow(item)

time.sleep(3)#设置爬取频率,一开始我就是爬取的太猛,导致网页需要验证。

if __name__=='__main__':

main()

正则爬取:我研究了好久,还是没有解决。

这一过程中容易遇见的问题有:

有一些房屋缺少部分信息,如缺少装修信息,这个时候需要加一个判断,如果不加判断,爬取就会自动终止(我在这里跌了很大的坑)。

Data.csv知识点存储文件路径默认是工作目录,关于Python中如何查看工作目录:

import os

#查看pyhton 的默认工作目录

print(os.getcwd())

#修改时工作目录

os.chdir('e:\\workpython')

print(os.getcwd())

#输出工作目录

e:\workpython

爬虫打印的是字典形式,每个房屋信息都是一个字典,由于Python中Excel相关库是知识盲点,所以爬虫的时候将字典循环直接写入了CSV。

Pycharm中打印如下:

将字典循环直接写入CSV效果如下:

很多初学者对于Address不知如何处理,这里强调一下Beautiful Soup 中.contents的用法,亲身体会,我在这里花了好多时间才找到答案。

R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

数据的说明

Name:主要是商家的醒目标题,不具备分析参考意义

Type:卧室数、客厅数、卫生间数

Area:面积(平方米)

Towards:朝向

Floor:楼层

Decorate:装修情况,如精装修、简单装修、毛坯房

Address:二手房的地址

TotalPrice:总价

Price:均价(元/平方米)

数据清洗

data<-read.csv("E://Data For R/RData/data.csv")

DATA<-data[,-c(1,7)]#将Name和Address两列去掉

DATA[sample(1:nrow(DATA),size=10),]

#在爬取的时候加入了判断,所以不知道爬取的数据中是否存在缺失值,这里检查一下

colSums(is.na(DATA))

#这里将Type的卧室客厅和卫生间分为三个不同的列

##这里需要注意,有一些房屋没有客厅如:1室1卫这时候需要单独处理,还有一些没有厕所信息。

library(tidyr)

library(stringr)

DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室")

DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅")

##将卫生间后面的汉字去掉

DATA$Toilet<-str_replace(DATA$Toilet,"卫","")

###如图六,将Halls中带有汉字去掉,因为有一些房屋信息没有客厅,如:1室1厅,在分成卧室和客厅时,会将卫生间分到客厅一列。

DATA$Halls<-str_replace(DATA$Halls,"卫","")

##取出没有客厅信息的数据,这些数据被separate到Halls列

newdata<-DATA[which(DATA$Toilet %in% NA),2]

newdata

##将没有客厅的房屋信息Halls列填充为0

DATA[which(DATA$Toilet %in% NA),2]<-0

DATA[which(DATA$Toilet %in% NA),3]<-newdata

colSums(DATA=="")

Bedrooms Halls Toilet Area Towards Floor Decorate

0 0 2 0 0 0 0

TotalPrice Price

0 0

##发现有2个厕所没有信息,将其填写为0。

DATA$Toilet[DATA$Toilet == ""]<-0

##这里将Area后的㎡去掉

DATA$Area<-str_replace(DATA$Area,"㎡","")

##查看Towards的类型

table(DATA$Towards)

Towards 北向 东北向 东南向 东西向 东向 南北向 南向 西北向

51 25 23 50 65 32 1901 678 38

西南向 西向

28 26

##将Floor信息带括号的全部去除

DATA$Floor<-str_replace(DATA$Floor,"[(].*[)]","")##正则表达式

#查看Floor的类别信息

低层 地下 高层 共1层 共2层 共3层 共4层 共5层 中层

632 32 790 36 61 101 68 130 1016

#分别将TotalPrice和Price后面的万元、元/㎡去掉

DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","")

DATA$Price<-str_replace(DATA$Price,"元/㎡","")

head(DATA)

##将数据转换格式

DATA$Bedrooms<-as.factor(DATA$Bedrooms)

DATA$Halls<-as.factor(DATA$Halls)

DATA$Toilet<-as.factor(DATA$Toilet)

DATA$Area<-as.numeric(DATA$Area)

DATA$TotalPrice<-as.numeric(DATA$TotalPrice)

DATA$Price<-as.numeric(DATA$Price)

DATA$Towards<-as.factor(DATA$Towards)

DATA$Decorate<-as.factor(DATA$Decorate)

str(DATA)

以上数据清洗完毕。

描述性分析

这部分的主要思路是探究单个自变量对因变量的影响,对房价的影响因素进行模拟探究之前,首先对各变量进行描述性分析,以初步判断房价的影响因素。这里探究各个因素对总价影响。

探究Bedrooms与TotalPrice的关系

table(DATA$Bedrooms)

1 2 3 4 5 6 7 9

541 1225 779 193 102 20 5 1

##由于拥有6、7、9个卧室数的数量较少,这里我们排出这些数据。

DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),]

DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),]

DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),]

table(DATA$Bedrooms)

1 2 3 4 5

541 1225 779 193 102

library(ggplot2)

ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red")

DATA$Bedrooms<-as.numeric(DATA$Bedrooms)

##这里将卧室数为1、2、3命名为A,4为B,5为C

DATA$Bedrooms[DATA$Bedrooms=='1']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='2']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='3']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='4']<-"B"

DATA$Bedrooms[DATA$Bedrooms=='5']<-"C"

不同卧室数,TotalPrice不同。且随着卧室数的增多,总价越高,符合大众的认知。

探究Halls与TotalPrice的关系

table(DATA$Halls)

0 1 2 3 4 5 9

20 1674 1050 77 18 1 0

##5个客厅只有一个个体,我们这里将其排出

DATA<-DATA[-(which(DATA$Halls %in% "5")),]

table(DATA$Halls)

0 1 2 3 4 5 9

20 1674 1050 77 18 0 0

ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red")

客厅数为3时候总价较高,客厅数为0、1和2的时候总价低于客厅数3和客厅数4。

探究Toilet与TotalPrice的关系

#探究卫生间与总价的关系

table(DATA$Toilet)

0 1 2 3 4 5 6 7 9

2 2142 470 116 74 26 7 2 0

#这里将卫生间数为0、6和7的去掉

DATA<-DATA[-(which(DATA$Toilet %in% "0")),]

DATA<-DATA[-(which(DATA$Toilet %in% "6")),]

DATA<-DATA[-(which(DATA$Toilet %in% "7")),]

table(DATA$Toilet)

0 1 2 3 4 5 6 7 9

0 2142 470 116 74 26 0 0 0

ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red")

一般卧室数越多,卫生间数也越多,即卫生间数越多,总价越高。

探究Area与TotalPrice的关系

ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red')

这个完全符合住房面积越大,总价越高。

探究Towards与TotalPrice的关系

ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red")

探究Floor与TotalPrice的关系

ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")

图中信息显示楼层一共只有1、2、3、地下的总价较高。

探究Decorate与TotalPrice的关系

ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red")

不同装修信息对总价影响较小。

模型建立

fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA)

summary(fit)

Call:

lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +

Towards + Floor + Decorate, data = DATA)

Residuals:

Min 1Q Median 3Q Max

-1330.80 -103.49 -21.41 63.88 2961.59

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -112.7633 88.3010 -1.277 0.201697

Bedrooms2 -43.5934 16.2533 -2.682 0.007359 **

Bedrooms3 -82.6565 20.7641 -3.981 7.04e-05 ***

Bedrooms4 -63.3096 34.9521 -1.811 0.070198 .

Bedrooms5 79.0618 54.0763 1.462 0.143842

Halls1 -5.0663 64.2764 -0.079 0.937182

Halls2 -53.8905 65.4427 -0.823 0.410307

Halls3 -303.9750 79.2280 -3.837 0.000127 ***

Halls4 -528.5427 104.0849 -5.078 4.07e-07 ***

Toilet2 112.9566 19.1171 5.909 3.87e-09 ***

Toilet3 543.7304 38.8056 14.012 < 2e-16 ***

Toilet4 735.1894 55.0977 13.343 < 2e-16 ***

Toilet5 338.7906 84.2851 4.020 5.98e-05 ***

Area 5.1091 0.1619 31.557 < 2e-16 ***

Towards东北向 138.9088 79.3817 1.750 0.080248 .

Towards东南向 187.1895 68.5388 2.731 0.006351 **

Towards东西向 176.3055 65.8384 2.678 0.007453 **

Towards东向 210.9435 73.2744 2.879 0.004022 **

Towards南北向 75.7831 57.1199 1.327 0.184704

Towards南向 60.1949 56.9678 1.057 0.290763

Towards西北向 75.4326 71.1415 1.060 0.289091

Towards西南向 169.8106 75.9626 2.235 0.025467 *

Towards西向 234.0816 76.5585 3.058 0.002253 **

Floor地下 -812.3578 63.3277 -12.828 < 2e-16 ***

Floor高层 12.3525 14.2466 0.867 0.385991

Floor共1层 -313.7278 52.1342 -6.018 2.00e-09 ***

Floor共2层 -453.3692 41.6829 -10.877 < 2e-16 ***

Floor共3层 -601.7032 44.3336 -13.572 < 2e-16 ***

Floor共4层 -183.7866 36.3396 -5.057 4.52e-07 ***

Floor共5层 -41.4184 25.7922 -1.606 0.108419

Floor中层 -1.7223 13.5961 -0.127 0.899204

Decorate简单装修 -63.1591 22.0584 -2.863 0.004224 **

Decorate精装修 -49.3276 19.8544 -2.484 0.013033 *

Decorate毛坯 -157.0299 24.3012 -6.462 1.22e-10 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 265.5 on 2794 degrees of freedom

Multiple R-squared: 0.6852, Adjusted R-squared: 0.6815

F-statistic: 184.3 on 33 and 2794 DF, p-value: < 2.2e-16

模型的F检验拒绝原假设,说明建立的模型是显著的;Ajusted R-squared为0.6815,模型的拟合程度尚可接受。

原文发布于微信公众号 - python教程(pythonjc)

原文发表时间:2019-05-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券