看我如何抓取二手房?jī)r(jià)數(shù)據(jù)
上次為大家介紹了如何通過 Python 抓取新房樓盤價(jià)格信息，很多朋友都在問，那二手房最新的價(jià)格信息要如何抓取呢?好!今天就再來為大家講一講，二手房的房?jī)r(jià)信息要怎么抓取。
模塊安裝
同上次新房一樣，這里需要安裝以下模塊(當(dāng)然如果已安裝就不用再裝了)：
- # 安裝引用模塊
- pip3 install bs4
- pip3 install requests
- pip3 install lxml
- pip3 install numpy
- pip3 install pandas
好了，安裝完成后，就可以開始寫代碼了。至于配置請(qǐng)求頭和代理IP地址的代碼，上次介紹新房已經(jīng)說過了，這里不再贅述，下面直接上抓取代碼。
二手房?jī)r(jià)數(shù)據(jù)對(duì)象
在這里我們將二手房的房?jī)r(jià)信息，創(chuàng)建成一個(gè)對(duì)象，后續(xù)我們只要將獲取到的數(shù)據(jù)保存成對(duì)象，再處理就會(huì)方便很多。SecHouse 對(duì)象代碼如下所示：
- # 二手房信息對(duì)象
- class SecHouse(object):
- def __init__(self, district, area, name, price, desc, pic):
- self.district = district
- self.area = area
- self.price = price
- self.name = name
- self.desc = desc
- self.pic = pic
- def text(self):
- return self.district + "," + \
- self.area + "," + \
- self.name + "," + \
- self.price + "," + \
- self.desc + "," + \
- self.pic
獲取二手房?jī)r(jià)信息并保存
準(zhǔn)備好了，下面我們依然以貝殼為例，批量爬取其北京地區(qū)二手房數(shù)據(jù)，并保存到本地。這里我主要想說的是如何抓取數(shù)據(jù)過程，所以這里依然就保存成最簡(jiǎn)單的 txt 文本格式。如果想保存到數(shù)據(jù)庫，可以自行修改代碼進(jìn)行保存數(shù)據(jù)庫處理。
獲取區(qū)縣信息
我們?cè)谧ト《址啃畔r(shí)，肯定想知道這個(gè)房源所在地區(qū)，所以這里我寫了個(gè)方法把北京市所有區(qū)縣信息抓取下來，并臨時(shí)保存至列表變量里，以備后續(xù)程序中使用，代碼如下：
- # 獲取區(qū)縣信息
- def get_districts():
- # 請(qǐng)求 URL
- url = 'https://bj.ke.com/xiaoqu/'
- headers = create_headers()
- # 請(qǐng)求獲取數(shù)據(jù)
- response = requests.get(url, timeout=10, headers=headers)
- html = response.content
- root = etree.HTML(html)
- # 處理數(shù)據(jù)
- elements = root.xpath('///div[3]/div[1]/dl[2]/dd/div/div/a')
- en_names = list()
- ch_names = list()
- # 循環(huán)處理對(duì)象
- for element in elements:
- link = element.attrib['href']
- en_names.append(link.split('/')[-2])
- ch_names.append(element.text)
- # 打印區(qū)縣英文和中文名列表
- for index, name in enumerate(en_names):
- chinese_city_district_dict[name] = ch_names[index]
- return en_names
獲取地區(qū)板塊
除了上面要獲取區(qū)縣信息，我們還應(yīng)該獲取比區(qū)縣更小的板塊區(qū)域信息，同樣的區(qū)縣內(nèi)，不同板塊地區(qū)二手房的價(jià)格等信息肯定不一樣，所以板塊對(duì)于我們來說也很重要，具有一次參考價(jià)值。獲取板塊信息代碼如下：
- # 獲取某個(gè)區(qū)縣下所有板塊信息
- def get_areas(district):
- # 請(qǐng)求的 URL
- page = "http://bj.ke.com/xiaoqu/{0}".format(district)
- # 板塊列表定義
- areas = list()
- try:
- headers = create_headers()
- response = requests.get(page, timeout=10, headers=headers)
- html = response.content
- root = etree.HTML(html)
- # 獲取標(biāo)簽信息
- links = root.xpath('//div[3]/div[1]/dl[2]/dd/div/div[2]/a')
- # 針對(duì)list進(jìn)行處理
- for link in links:
- relative_link = link.attrib['href']
- # 最后"/"去掉
- relative_link = relative_link[:-1]
- # 獲取最后一節(jié)信息
- area = relative_link.split("/")[-1]
- # 去掉區(qū)縣名稱,以防止重復(fù)
- if area != district:
- chinese_area = link.text
- chinese_area_dict[area] = chinese_area
- # 加入板塊信息列表
- areas.append(area)
- return areas
- except Exception as e:
- print(e)
獲取二手房信息并保存
- # 創(chuàng)建文件準(zhǔn)備寫入
- with open("sechouse.txt", "w", encoding='utf-8') as f:
- # 定義變量
- total_page = 1
- # 初始化 list
- sec_house_list = list()
- # 獲取所有區(qū)縣信息
- districts = get_districts()
- # 循環(huán)處理區(qū)縣
- for district in districts:
- # 獲取某一區(qū)縣下所有板塊信息
- arealist = get_areas(district)
- # 循環(huán)遍歷所有板塊下的小區(qū)二手房信息
- for area in arealist:
- # 中文區(qū)縣
- chinese_district = chinese_city_district_dict.get(district, "")
- # 中文版塊
- chinese_area = chinese_area_dict.get(area, "")
- # 請(qǐng)求地址
- page = 'http://bj.ke.com/ershoufang/{0}/'.format(area)
- headers = create_headers()
- response = requests.get(page, timeout=10, headers=headers)
- html = response.content
- # 解析 HTML
- soup = BeautifulSoup(html, "lxml")
- # 獲取總頁數(shù)
- try:
- page_box = soup.find_all('div', class_='page-box')[0]
- matches = re.search('.*data-total-count="(\d+)".*', str(page_box))
- # 獲取總頁數(shù)
- total_page = int(math.ceil(int(matches.group(1)) / 10))
- except Exception as e:
- print(e)
- print(total_page)
- # 設(shè)置請(qǐng)求頭
- headers = create_headers()
- # 從第一頁開始,遍歷到最后一頁
- for i in range(1, total_page + 1):
- # 請(qǐng)求地址
- page = 'http://bj.ke.com/ershoufang/{0}/pg{1}'.format(area,i)
- print(page)
- # 獲取返回內(nèi)容
- response = requests.get(page, timeout=10, headers=headers)
- html = response.content
- soup = BeautifulSoup(html, "lxml")
- # 獲得二手房查詢列表
- house_elements = soup.find_all('li', class_="clear")
- # 遍歷每條信息
- for house_elem in house_elements:
- # 價(jià)格
- price = house_elem.find('div', class_="totalPrice")
- # 標(biāo)題
- name = house_elem.find('div', class_='title')
- # 描述
- desc = house_elem.find('div', class_="houseInfo")
- # 圖片地址
- pic = house_elem.find('a', class_="img").find('img', class_="lj-lazy")
- # 清洗數(shù)據(jù)
- price = price.text.strip()
- name = name.text.replace("\n", "")
- desc = desc.text.replace("\n", "").strip()
- pic = pic.get('data-original').strip()
- # 保存二手房對(duì)象
- sec_house = SecHouse(chinese_district, chinese_area, name, price, desc, pic)
- print(sec_house.text())
- sec_house_list.append(sec_house)
- # 循環(huán)遍歷將信息寫入 txt
- for sec_house in sec_house_list:
- f.write(sec_house.text() + "\n")
到這里代碼就寫好了，現(xiàn)在我們就可以通過命令 python sechouse.py 運(yùn)行代碼進(jìn)行數(shù)據(jù)抓取了。抓取的結(jié)果我們可以打開當(dāng)前目錄下 sechouse.txt 文件查看，結(jié)果如下圖所示：
總結(jié)本文為大家介紹了如何通過 Python 將房產(chǎn)網(wǎng)上的二手房數(shù)據(jù)批量抓取下來，經(jīng)過一段時(shí)間的抓取，我們就可以將抓取的結(jié)果進(jìn)行對(duì)比分析，看看二手房?jī)r(jià)最近是漲還是跌?如果喜歡我們的文章，請(qǐng)關(guān)注收藏再看。
