大家好，我是Python之眼。

最近有朋友们看了《爬取贝壳找房8万+二手房源，看看普通人在北京买房是有多难》之后，想爬取自己所在城市的成交房源数据做做分析之类的。

那么，今天我们就详情介绍下整个数据采集过程吧！

目录：

• 这是准备阶段
• 一如既往的页面分析
• 二话不说的数据请求
• 三复斯言的数据解析
  • >>寻找数据字段所在节点
  • >>re数据解析
  • >>获取全部页面房源数据
• 四平八稳的数据清洗
  • >>数据去重
  • >>标题、朝向装修、楼层楼龄及位置信息清洗
  • >>最终数据预览

注：贝壳网目前部分城市是不显示成交房源信息的，这里只对公开信息做采集！

这是准备阶段

本次我们的组合拳是基于python的requests+re+pandas。

引入需要用到的库：

import re
import requests
import pandas as pd

了解我们需要采集的数据字段：

待采集数据字段

一如既往的页面分析

以上海为例，我们打开二手房成交房源页面，网址https://sh.ke.com/chengjiao/pg2/。sh是指上海，大家可以根据自己所在的城市调整。

上海二手房

我们进行翻页操作，发现网址只有pg2部分的数字发生变化，而且和页码数是一致的。真好，基于这个简单的规律，我们可以组合出全部100页的url地址。

# 构建全部100个页面url地址
urls = []
for i in range(1,101):
    urls.append(f'https://sh.ke.com/chengjiao/pg{i}/')

urls

二话不说的数据请求

直接请出requests.get(url)方法，由于我们这次采用re正则表达式来解析数据，所以可以将请求的网页数据中的非字符数据去掉备用。

def get_html(url):
    headers = {
        "Accept-Encoding": "Gzip",  # 使用gzip压缩传输数据让访问更快
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36",
    }    
    resp = requests.get(url, headers= headers)
    html = resp.text
    html = re.sub('\s', '', html) # 将html文本中非字符数据去掉        
          
    return html

片段数据预览

三复斯言的数据解析

我们使用的是re正则表达式进行数据解析，关于re正在表达式更详细的用法大家可以参考此前推文《对着爬虫网页HTML学习Python正则表达式re》。

>>寻找数据字段所在节点

• 由于每页有多个房源信息，我们先找到房源列表所在的节点区域

每页房源列表所在节点

• 接着再看每个房源所在的节点区域，并确定每个数据字段所在的节点（比如标题信息、价格信息等）

标题信息

总价信息

>>re数据解析

为了更好的进行数据解析，可以先匹配到每页全部房源节点数据，然后再解析出每页全部房源信息列表。

解析获取房源列表数据：

ListContent = re.findall(r'<ulclass="listContent"data-query-id="\d+">(.*?)</ul>', html)[0]
Lists = re.findall(r'<divclass="info">(.*?)</li>', ListContent)

房源列表数据预览

解析获取单个房源数据：

根据单个房源信息数据字段，利用正则表达式一一解析，由于并非全部房源均有各个字段信息，所以这里采用findall后并没有直接切片获取字符串，我们放在后续数据清洗阶段处理。

List = Lists[3]
def get_house_info(List):
    house_info = {
        '房源ID' : re.findall(r'fb_item_id=(\d+)',List),
        '标题' : re.findall(r'<divclass="title"><ahref=".*?">(.*?)</a>',List),
        '朝向装修' : re.findall(r'<divclass="houseInfo"><spanclass="houseIcon"></span>(.*?)</div>',List),
        '日期' : re.findall(r'<divclass="dealDate">(.*?)</div>',List),
        '总价' : re.findall(r'<divclass="totalPrice"><spanclass=\'number\'>(.*?)</span>',List),
        '楼层楼龄' : re.findall(r'<divclass="positionInfo"><spanclass="positionIcon"></span>(.*?)</div>',List),
        '单价' : re.findall(r'<divclass="unitPrice"><spanclass="number">(.*?)</span>',List),
        '位置' : re.findall(r'<spanclass="dealHouseTxt"><span>(.*?)</span>',List),
        '挂牌价' : re.findall(r'<spanclass="dealCycleTxt"><span>挂牌(.*?)万</span>',List),
        '成交周期' : re.findall(r'<span>成交周期(.*?)天</span>',List),
    }
    
    return house_info

房源数据信息

>>获取全部页面房源数据

直接遍历全部url并解析每一个url下全部房源数据即可，有兴趣的可以采用多进程等加速处理。（需要注意的是，贝壳这边存在ip反爬，如果爬取数据量过大或者频率过高会请求不到想要的数据，可以设置请求间隔或者代理ip的方式处理，本文这里不做详细展开）

house_infos = []
num = 0
for url in urls:
    html = get_html(url)
    ListContent = re.findall(r'<ulclass="listContent"data-query-id="\d+">(.*?)</ul>', html)[0]
    Lists = re.findall(r'<divclass="info">(.*?)</li>', ListContent)
    for List in Lists:
        num = num+1
        house_info = get_house_info(List)
        house_infos.append(house_info)
        print(f'\r{num}个成交房源数据已采集...', end='')
df = pd.DataFrame(house_infos)

数据预览

四平八稳的数据清洗

由于我们在数据解析的时候得到的每个字段的元素都是元素为1或0个的列表，这里需要解析为字符串，直接用explode()即可。

df = df.apply(lambda x : x.explode())

初步解析

>>数据去重

按照房源ID进行去重即可。

df.drop_duplicates(subset='房源ID',inplace=True)

>>标题、朝向装修、楼层楼龄及位置信息清洗

标题可以清洗出 小区、户型和面积三个字段，我们直接用extract()方法进行处理。

df.标题.str.extract(r'(?P<小区>.+?)(?P<户型>\d+室.*?[厅]*)(?P<面积>\d+\.*\d*?)平米')

标题清洗

朝向装修 就是朝向和装修

df.朝向装修.str.extract(r'(?P<朝向>.*)\|(?P<装修>.*)')

朝向装修

楼层楼龄 就是楼层（高中低）和建筑年龄

df.楼层楼龄.str.extract(r'(?P<楼层>.*)\(.*?\)(?P<楼龄>\d+)年')

楼层楼龄

位置信息 就是 地铁线路、地铁及距离地铁距离

df.位置.str.extract(r'(?P<地铁线路>.*线)(?P<地铁>.*?)(?P<距离>\d+)米')

位置信息

>> 最终数据预览

df[['房源ID',  '日期', '小区','户型','面积','总价', '单价',  '挂牌价', '成交周期',
       '朝向', '装修', '楼层', '楼龄', '地铁线路', '地铁', '距离']]

最终数据预览

到这一步，我们就完成了全部数据采集与清洗，接着就可以对这些数据进行数据分析处理和可视化展示了。

关于本文全部代码，申请QQ群：705933274  免费领取