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:
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!
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
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
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
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》。
每页房源列表所在节点
标题信息
总价信息
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
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
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
按照房源ID进行去重即可。
df.drop_duplicates(subset='房源ID',inplace=True)
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
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