二手房价格及信息爬取

朱小五

发布于 2019-12-24 17:45:37

5180

发布于 2019-12-24 17:45:37

文章被收录于专栏：凹凸玩数据凹凸玩数据

本文为读者投稿，作者：董汇标MINUS 知乎：https://zhuanlan.zhihu.com/p/97235643

有一天，哥们群里聊到买房问题，因为都上班没几年，荷包还不够重。

然后我就想可以参考某家数据研究研究，房价什么情况了。

爬取准备

某家网站里有新房、二手房、租房等待。如果买房，尤其是在北京的首套，可能二手房是选择之一，那我就针对二手房研究一下。

虽然网上有很多数据源或者教程，但我还是打算重新抓一遍，一是保持数据是最新的，而是练手不犯懒。

需要技能：BeautifulSoup解析数据--正则表达式提取数据--csv存储数据

爬虫思路：常规网站爬虫思路

上图是某家二手房展示页面其中一套房的信息，我需要提取它的：位置、几室几厅、平米数、朝向、装修风格、层数、建造年份、建筑形式、售价。

然后通过HTML分析，找到他们对应的字段（这块爬虫教学里很多，不赘述）

from bs4 import BeautifulSoup
import re
import csv
import requests
import pandas as pd
from random import choice
import time

因为链家二手房一共100页，所以很明确的新建一个csv文档，把它名字取好，把列设置好。

columns = ['小区', '地区', '厅','平米数','方向','状态','层','build-year','形式','钱','单位','网址','推荐语']
# 如果文件由第一行,就不用了
with open('链家二手房100页.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file, delimiter=',')
    writer.writerow(columns)
    file.close()

数据爬取

1. 100页那就写一个循环进行取数

2. 用BeautifulSoup进行页面数据解析

3. 通过正则表达式提取对应字段位置

4. 把提取的信息写入刚刚说的csv文件

5. 为了方便知道进度，在每页结尾加上打印，知道进度

6. 为了防止"给链家服务器带来压力“选择每页隔几秒再切换下页

7. 所有爬完了，打印一个fin~（这是我个人习惯）

i=1
for j in range(100):
    urll = base_url1+ str(i) +base_url2
    print(urll)
    i += 1
    get_page=requests.get(urll)
    bs_page = BeautifulSoup(get_page.text, 'html.parser')
    list_house = bs_page.findAll('div', class_='info clear')
    for house_one in list_house:

        house_info    = house_one.find_all('div', class_='houseInfo')
        position_info = house_one.find_all('div', class_='positionInfo')
        totalPrice    = house_one.find_all('div', class_='totalPrice')
        href          = house_one.find_all('div', class_='title')

        # 正则提取
        # 小区名,位置
        position_str  =re.findall('_blank">(.+)</a.+_blank">(.+)?</a', str(position_info))
        position_str1 =list(position_str[0])
        # print(type(position_str1),position_str1)

        # 房子信息
        house_info_str=re.findall('span>(.+)?</div>', str(house_info))
        house_info_str = str(house_info_str)[2:-2].split('|')
        # print(type(house_info_str), house_info_str)


        totalPrice_str=re.findall('<span>(.+)</span>(.+)</div>', str(totalPrice))
        totalPrice_str = list(totalPrice_str[0])
        # print(type(totalPrice_str), totalPrice_str)


        href_str      =re.findall('http.+html', str(href))
        # print(type(href_str), href_str)

        AD_str = re.findall('_blank">(.+)?</a>', str(href))
        # print(type(AD_str), AD_str)

        house_all = position_str1 + house_info_str + totalPrice_str + href_str + AD_str

        print(house_all)

        # writer.writerow()
        with open('链家新房100个.csv', 'a', newline='', encoding='utf-8') as file:
            writer = csv.writer(file, delimiter=',')
            writer.writerow(house_all)
            file.close()

    print(f'---第{i}页---')
    times = choice([3, 4, 5, 6])
    print(f'sleep{times}\n')
    time.sleep(times)
print('fin')

数据概况

当上边数据跑完了后，可以看到一个表格，打开后数据情况如下：