python采集链家二手房信息

都说现在的房价很高,具体有多高呢,我们一起来看看。


现在网上关于房子的价格以及交易信息鱼龙混杂,与实际情况相差比较大,目前链家平台的数据应该是相对比较可靠的,所以这次我们就打算去链家爬一爬。


说到爬虫,前面也有说过,无非就三个主要的步骤


1、获取目标网页或接口


2、从目标网页或接口中解析并提炼出你要的数据字段


3、数据保存


我们今天就以链家平台上北京地区二手房为例,首先是打开目标网页。


https://bj.lianjia.com/ershoufang/

网页下面有分页,一共提供了 100 页数据,也就是说这 100 页都是我们的目标网页,所以第一件事就是要获取到总页数。


打开开发者模式可以看到,有个字段 totalPage 字段,这个字段就是总页数,如下图。



有了总页数之后呢,接下来就是要对这 100 个页面循环解析了,把我们要的字段和数据都解析出来。


为了获取更详细的数据,这里我们进入到详情页去解析数据,同样打开开发者模式,看到有总价 total(总价)、unitPriceValue(单价)、areaName(位置)等字段,这些就是我们要获取的主要字段。



解析得到字段数据后,就要把数据保存起来,保存数据的方式一般有保存到数据库(Mysql、MongoDB)和保存到本地文件(txt、excel、csv),为了方便起见,这里我们将数据只保存到本地 csv 文件。



上面说的就是这个爬虫的大致过程,下面是一段主要代码,在公众号后台回复关键字【链家】可获取完整代码,有需要 csv 文件数据的也可以后台私信联系我哈。


    def getContent(self, url):         totalPage = self.getTotalPage(url)
        totalPage = 2 #为了方便调试,我这里把总页数写死了         # 循环处理每个目标页面         for pageNum in range(1, totalPage+1 ):
            url = "https://bj.lianjia.com/ershoufang/pg{}/".format(pageNum)
            print("正在获取第{}页数据: {}".format(pageNum,url))
            response = requests.get(url, headers = self.headers)
            soup = BeautifulSoup(response.text, "html.parser")
            links = soup.find_all("div", class_ = "info clear")
            for i in links:
                link = i.find("a")["href"]
                detail = self.parseDetail(link)
                self.datas.append(detail)
                #为了防止反爬限制休眠1s                 time.sleep(1)

        # 数据存储到csv文件中         data = pd.DataFrame(self.datas)
        # 自定义字段         columns = ["小区""户型""面积""价格""单价""朝向""电梯""位置""地铁"]
        data.to_csv("./lianjiaData.csv", encoding='utf_8_sig', index=False, columns=columns) 
关键词: python

网友留言(0条)

发表评论