热点指南

投稿
首页 > 科技 > Python 爬取分析全国 12 个城市 4 万条房价信息，告诉你买不起

Python 爬取分析全国 12 个城市 4 万条房价信息，告诉你买不起

热点指南• 2020-01-15 17:10:36• 科技• 阅读 903

通过分页、线程池、代理池等技术，快速爬取链家网近4万条在售二手房信息，速度可达 10000 条 / 5 分钟。

通过对二手房作数据分析，得到北上广深等(新)一线城市四地房价的纵向比较，同时对各个城市各个区的房价做横向对比，并将对比结果可视化出来。

主要用到的库或模块包括

  • Requests
  • PyQuery
  • ThreadPoolExecutor
  • JSON
  • Matplotlib
  • PyEcharts

环境：

  • Widnows10
  • Python3.5
  • Pycharm2018

数据抓取

爬虫架构设计

通过分析链家网的 URL ，不难发现，每一个城市的链家网的基本格式是：

城市名简拼 + ”.lianjia.com“

所以整个爬虫最外层应该是遍历一个保存城市简拼的列表，拼接得到一个个起始 URL，根据这些 URL 爬取对应城市的链家网。

针对每一个城市的链家网而言，首先得到该城市在售二手房的总套数，由于每一页显示的套数是 30，由总套数整除以30再加上1可以得到总页数，但是由于最大可浏览页数为 100，所以我们这里得加个判断，如果总页数大于 100 的话，令总页数等于 100。

分析具体城市的链家网每一页的 URL, 以北京为例，我们可以发现第 N 页的 URL 是：

bj.lianjia.com/ershoufang/pg{N}，由此我们可以通过以下代码来得到每一页的 URL：

for i in range(total_page):
 page_url = "bj.lianjia.com/ershoufang/pg{}".format(i+1)

本来得到每一页的 URL 后，我们可以得到该页上 30 套房的房价信息和详情页 URL，但是页面上没有房子所在区的信息。

我们只能再向下请求访问详情页 URL，从而提取出我们想要的所有数据。

综上所述，我们可以将整个框架从上往下分为四层，如下图所示：

基于上述思路，在写代码的时候，可以分层从上往下实现，方便调试。

第一层 & 第二层：获取总套数

根据城市简拼得到起始 URL，并得到总套数，为分页做准备。

def get_list_page_url(city):
​
 start_url = "https://{}.lianjia.com/ershoufang".format(city)
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
 }
 try:
 response = requests.get(start_url, headers=headers)
 # print(response.status_code, response.text)
 doc = pq(response.text)
 total_num = int(doc(".resultDes .total span").text())
 total_page = total_num // 30 + 1
 # 只能访问到前一百页
 if total_page > 100:
 total_page = 100
​
 page_url_list = list()
​
 for i in range(total_page):
 url = start_url + "/pg" + str(i + 1) + "/"
 page_url_list.append(url)
 #print(url)
 return page_url_list
​
 except:
 print("获取总套数出错,请确认起始URL是否正确")
 return None

第三层：根据起始 URL 得到分页 URL

def get_detail_page_url(page_url):
 global detail_list
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
 'Referer': 'https://bj.lianjia.com/ershoufang'
 }
​
 try:
 response = requests.get(page_url,headers=headers,timeout=3)
 doc = pq(response.text)
 i = 0
 detail_urls = list()
 for item in doc(".sellListContent li").items():
 i += 1
 print(i)
 if i == 31:
 break
 child_item = item(".noresultRecommend")
 if child_item == None:
 i -= 1
 detail_url = child_item.attr("href")
 detail_urls.append(detail_url)
 return detail_urls
 except:
 print("获取列表页" + page_url + "出错")

第四层

本层做的是具体解析，解析使用的是 PyQuery 库，支持 CSS 选择器且比 Beautiful Soup 方便。仅仅需要下面几行代码就帮助我们获得了目标数据：

response = requests.get(url=detail_url, headers=headers, proxies=proxies)
#detail_url 是得到的详情页 URL
detail_dict = dict()
doc = pq(response.text)
unit_price = doc(".unitPriceValue").text()
unit_price = unit_price[0:unit_price.index("元")]
title = doc("h1").text()
area = doc(".areaName .info a").eq(0).text().strip()
url = detail_url

多线程爬取

p = ThreadPoolExecutor(30)
for page_url in page_url_list:
 p.submit(get_detail_page_url, page_url).add_done_callback(detail_page_parser)
p.shutdown()

IP 代理池

下载后新开一个 Pycharm 视窗运行该项目，然后我们可以用下面的方式来获取可用的代理 IP：

def get_valid_ip():
 url = "http://localhost:5000/get"
 try:
 ip = requests.get(url).text
 return ip
 except:
 print("请先运行代理池")

然后通过参数设置使用代理 IP：

proxies = {
 "http": "http://" + get_valid_ip(),
}
response = requests.get(url=detail_url, headers=headers, proxies=proxies)

数据保存

采用 JSON文件形式保存数据，每个城市保存一个 JSON 文件，文件名为该城市简拼。

def save_data(data,filename):
 with open(filename+".json", 'w', encoding="utf-8") as f:
 f.write(json.dumps(data, indent=2, ensure_ascii=False))

稍等一会儿，所有数据就保存在本地了：

数据分析

数据整合

在这里做一些求同地区房价最大值、最小值、平均值，以及数据格式统一化的工作：

def split_data():
 global region_data
 region_data = dict()
 for region in dic_data.keys():
 # 最大值、最小值、平均值
 region_data[region] = {"max":dic_data[region][0],"min":dic_data[region][0],"average":0}
 for per_price in dic_data[region]:
 if per_price > region_data[region]["max"]:
 region_data[region]["max"] = per_price
 if per_price < region_data[region]["min"]:
 region_data[region]["min"] = per_price
 region_data[region]["average"] += per_price
 region_data[region]["average"] /= len(dic_data[region])
 # 保留两位小数
 region_data[region]["average"] = round(region_data[region]["average"],2)

数据可视化

将分析结果通过 Matplotlib 直观的体现出来，该部分的代码如下：

def data_viewer():
 label_list = region_data.keys() # 横坐标刻度显示值
 max = []
 min = []
 average = []
 for label in label_list:
 max.append(region_data[label].get("max"))
 min.append(region_data[label].get("min"))
 average.append(region_data[label].get("average"))
 x = range(len(max))
 """
 绘制条形图
 left: 长条形中点横坐标
 height: 长条形高度
 width: 长条形宽度，默认值0
 .8
 label: 为后面设置legend准备
 """
 rects1 = plt.bar(x=x, height=max, width=0.25, alpha=0.8, color='red', label="最大值")
 rects2 = plt.bar(x=[i + 0.25 for i in x], height=average, width=0.25, color='green', label="平均值")
 rects3 = plt.bar(x=[i + 0.5 for i in x], height=min, width=0.25, color='blue', label="最小值")
 #plt.ylim(0, 50) # y轴取值范围
 plt.ylabel("房价/元")
 """
 设置x轴刻度显示值
 参数一：中点坐标
 参数二：显示值
 """
 plt.xticks([index + 0.2 for index in x], label_list)
 plt.xlabel("地区")
 plt.legend()
 for rect in rects1:
 height = rect.get_height()
 plt.text(rect.get_x() + rect.get_width() / 2, height+1, str(height), ha="center", va="bottom")
 for rect in rects2:
 height = rect.get_height()
 plt.text(rect.get_x() + rect.get_width() / 2, height + 1, str(height), ha="center", va="bottom")
 for rect in rects3:
 height = rect.get_height()
 plt.text(rect.get_x() + rect.get_width() / 2, height + 1, str(height), ha="center", va="bottom")
 plt.show()

结果如下：

限于篇幅，其他城市的图就不放了。

再来看全国主要一线城市二手房房价有序条形图：

可以看出，北京、上海、深圳的房价大致在同一水平线，而厦门位于第四，广州在第六，最后看一下房价地域图：

最终代码

import requests
​
from concurrent.futures import ThreadPoolExecutor
​
from pyquery import PyQuery as pq
​
import json
​
import threading
​
​
import time
​
​
def get_list_page_url(city):
​
 start_url = "https://{}.lianjia.com/ershoufang".format(city)
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
 }
 try:
 response = requests.get(start_url, headers=headers)
 # print(response.status_code, response.text)
 doc = pq(response.text)
 total_num = int(doc(".resultDes .total span").text())
 total_page = total_num // 30 + 1
 # 只能访问到前一百页
 if total_page > 100:
 total_page = 100
​
 page_url_list = list()
​
 for i in range(total_page):
 url = start_url + "/pg" + str(i + 1) + "/"
 page_url_list.append(url)
 #print(url)
 return page_url_list
​
 except:
 print("获取总套数出错,请确认起始URL是否正确")
 return None
​
​
detail_list = list()
​
# 需要先在本地开启代理池
# 代理池仓库: https://github.com/Python3WebSpider/ProxyPool
def get_valid_ip():
 url = "http://localhost:5000/get"
 try:
 ip = requests.get(url).text
 return ip
 except:
 print("请先运行代理池")
​
​
def get_detail_page_url(page_url):
 global detail_list
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
 'Referer': 'https://bj.lianjia.com/ershoufang'
 }
​
 try:
 response = requests.get(page_url,headers=headers,timeout=3)
 doc = pq(response.text)
 # broswer.get(page_url)
 # print(page_url)
 # doc = pq(broswer.page_source)
 i = 0
 detail_urls = list()
 for item in doc(".sellListContent li").items():
 i += 1
 if i == 31:
 break
 child_item = item(".noresultRecommend")
 if child_item == None:
 i -= 1
 detail_url = child_item.attr("href")
 detail_urls.append(detail_url)
 return detail_urls
 except:
 print("获取列表页" + page_url + "出错")
​
lock = threading.Lock()
​
def detail_page_parser(res):
 global detail_list
 detail_urls = res.result()
 if not detail_urls:
 print("detail url 为空")
 return None
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
 'Referer': 'https://bj.lianjia.com/ershoufang'
 }
 for detail_url in detail_urls:
 try:
 response = requests.get(url=detail_url, headers=headers,timeout=3)
 #print(response.status_code)
 detail_dict = dict()
 doc = pq(response.text)
 unit_price = doc(".unitPriceValue").text()
 unit_price = unit_price[0:unit_price.index("元")]
 title = doc("h1").text()
 area = doc(".areaName .info a").eq(0).text().strip()
 url = detail_url
 detail_dict["title"] = title
 detail_dict["area"] = area
 detail_dict["price"] = unit_price
 detail_dict["url"] = url
​
 detail_list.append(detail_dict)
​
 print(unit_price, title, area)
​
 except:
 print("获取详情页出错,换ip重试")
 proxies = {
 "http": "http://" + get_valid_ip(),
 }
 try:
 response = requests.get(url=detail_url, headers=headers, proxies=proxies)
 #print(response.status_code)
 detail_dict = dict()
 doc = pq(response.text)
 unit_price = doc(".unitPriceValue").text()
 unit_price = unit_price[0:unit_price.index("元")]
 title = doc("h1").text()
 area = doc(".areaName .info a").eq(0).text().strip()
 url = detail_url
 # 已下架的还会爬取，但是没有价格
 if len(unit_price)>0:
 detail_dict["title"] = title
 detail_dict["area"] = area
 detail_dict["price"] = unit_price
 detail_dict["url"] = url
​
 detail_list.append(detail_dict)
​
 print(unit_price, title, area)
 except:
 print("重试失败...")
​
​
def save_data(data,filename):
 with open(filename+".json", 'w', encoding="utf-8") as f:
 f.write(json.dumps(data, indent=2, ensure_ascii=False))
​
def main():
 # cq,cs,nj,dl,wh,cc
 city_list = ['nj']
 for city in city_list:
 page_url_list = get_list_page_url(city)
​
 # pool = threadpool.ThreadPool(20)
 # requests = threadpool.makeRequests(page_and_detail_parser, page_url_list)
 # [pool.putRequest(req) for req in requests]
 # pool.wait()
​
 p = ThreadPoolExecutor(30)
​
 for page_url in page_url_list:
 p.submit(get_detail_page_url, page_url).add_done_callback(detail_page_parser)
 # 这里的回调函数拿到的是一个对象。
 # 先把返回的res得到一个结果。即在前面加上一个res.result(),这个结果就是get_detail_page_url的返回
 p.shutdown()
​
 print(detail_list)
​
 save_data(detail_list, city)
​
 detail_list.clear()
​
if __name__ == '__main__':
 old = time.time()
 main()
 new = time.time()
 delta_time = new - old
 print("程序共运行{}s".format(delta_time))
Python Safari Gecko 链家地产 Windows NT Chrome 网络爬虫 WebKit Mozilla Windows 二手房 JSON 散曲

本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/290209.html

赞 (301)
打赏 微信扫一扫
« 上一篇2020-01-15 17:10:35
下一篇 »2020-01-15 17:40:34

相关推荐

×