房东要给我涨800房租，生气的我用Python抓取帝都几万套房源信息，我主动涨了1000。

标签：自营   rac   失败   for   log   extend   chart   soup   def   

说干就干，先找到市场上主要的中介平台，主要关注我爱我家、链家、贝壳，还有类似于自如，蛋壳等长租公寓；还有一个问题，好像链家、贝壳、自如是一个大老板，链家房源和自如的都是混到一起的，整的我一个头大；贝壳类似于京东，不仅自己自营，还允许其他平台来入住这个平台，这老板头脑真是好使，折腾半天数据都在自己手里了，总感觉房价与房租上涨感觉和这个货有种说不清的关系。

最后决定使用Python抓取链家，我爱我家，与贝壳网租房信息。

租住小区门口就有一个链家，先从链家下手；抓取与分析过程如下：

1：查看链家租房信息，决定抓取那些数据；
2：请求行为分析；
3：分析使用知识点，
4：抓取实现；
5：对出租房源信息进行分析；

1.使用浏览器查看要抓取信息：

借助浏览器打开链家主页，查看要抓取信息，如下图：

从当前信息中可以看到，链家有近19000套再租房源（某些为单间）；
抓取信息包括：所属小区，户型，面积，价格，所属区域，具体地址，房龄，房屋编号及详情页地址；确认抓取信息后，分析请求行为，如何进行抓取。

2.请求行为分析：

使用浏览器打开页面，查看请求过程，需要分下面几步进行抓取：

1> 请求首页：https://bj.lianjia.com/zufang/；
2>解析北京下行政区对对应url，注意，这里不包括燕郊与香河；
3>按照行政区进行查找，提取页面房源信息，并请求下一页，直到请求结束；

整个请求过程如下：

确认抓取过程后，我们确认使用哪些知识点。

3.知识点分析：

整个抓取过程分为请求数据，提取信息，数据保存，老猫这边使用Python实现，主要知识点如下：

1>请求数据：requests模块；
2>提取信息：BeautifulSoup模块；
3>数据保存：csv格式存储，csv模块；

请求行为与知识点分析完成后，老猫在Jupyter下完成了单页数据抓取与提取，具体过程这里不详细讲解了，直接上最终代码与结果。

4.链家出租房信息抓取实现：

老猫在这里使用类实现抓取，简单描述实现过程：

1>整理思路，确认要做的事情，分步实现；
1>根据请求与提取行为定义类与相关方法；
2>将Jupyter下实现填充到对应方法中；
3>存储类实现；
4>代码调试与运行；

最终代码如下：

#coding=utf-8
#Author: qimao

import requests
from bs4 import BeautifulSoup
import json
import csv
import time

class CsvSaveModule(object):
    #存储csv类
    def __init__(self, fname = "info.csv"):
        self.f = open(fname, ‘w‘)
        self.fcsv = csv.writer(self.f)
        self.head = True

    def write(self, keys, data):
        #写入字段
        if self.head:
            self.head = False
            self.fcsv.writerow(keys)
        #获取并写入数据
        values = [data.get(key, "") for key in keys]
        self.fcsv.writerow(values)

    def close(self):
        self.f.close()

class SpiderMoujia(object):
    def __init__(self, *args):
        ‘args:保存数据对象‘
        self.urlhead = ‘https://bj.lianjia.com/‘
        self.hds = args

    def reqPage(self, url):
        num = 0
        #一个页面最多尝试请求三次
        while num < 3:
            #请求页面信息,添加请求异常处理，防止某个页面请求失败导致整个抓取结束，
            try:
                if url:
                    req = requests.get(url)
                    if req.status_code == 200:
                        #返回BeautifulSoup对象
                        return BeautifulSoup(req.text, ‘html5lib‘)
            except:
                pass
            time.sleep(3)
            num += 1

    def startCrawler(self, url):
        #抓取对外接口，Url为种子url
        self.startRequest(url)
        self.close()

    def startRequest(self, url):
        #开始抓取
        obj = self.reqPage(url)
        areas = obj.find(‘div‘, class_="option-list")
        #提取区域信息：海淀，朝阳，....
        listarea = areas.select(‘a[href^="/zufang/"]‘)
        for area in listarea[1:]:
            aurl = self.urlhead + area.get(‘href‘)
            district = area.text.strip()
            #按照区域进行抓取
            self.crawlerArea(aurl,district)

    def crawlerArea(self, url, district):
        #print(‘crawlerArea‘, url)
        page = self.reqPage(url)
        if not page:
            return
        #解析页面信息
        self.parsePage(page,district)
        #获取下一页地址
        nextpage = self.getNextPage(page)
        if nextpage:
            urlhead = url.rsplit(‘/‘,1)[0]
            nexturl = ‘/‘.join([urlhead, nextpage])
            #继续请求下一页
            self.crawlerArea(nexturl,district)

    def extractInfo(self, node, css):
        snode = node.select_one(css)
        val = ‘‘
        if snode and snode.text:
            val = snode.text.strip()
        return val

    def parsePage(self, page,district):
        #主要功能，提取页面信息
        listhouse = page.select(‘#house-lst > li‘)
        #定义出提取字段
        keys = [‘信息‘, ‘小区‘, ‘户型‘, ‘价格‘, ‘面积‘, ‘区域‘,
                ‘位置‘, ‘楼层‘, ‘年份‘, ‘附加信息‘, ‘房屋ID‘, ‘详情页地址‘]
        for house in listhouse:
            hinfo = []
            #提取title, 小区，户型，价格，面积
            cssexpress = [‘h2 a‘, ‘.where a‘, ‘.zone‘, ‘.num‘,‘.meters‘]
            info = house.select_one(".info-panel")
            if not info:
                continue
            for express in cssexpress:
                hinfo.append(self.extractInfo(info, express))
            #添加区域
            hinfo.append(district)
            #区域，楼层，年代
            hinfo.extend(info.select_one(‘.con‘).text.split(‘/‘))
            #房子其他信息，例如：地铁，阳台，供暖等
            spans = info.select_one(‘.view-label‘)
            hpoint = ‘,‘.join((spans.stripped_strings))
            hinfo.append(hpoint)
            #房子ID号，唯一标识
            hinfo.append(house.get(‘data-id‘))
            #房租详情页url
            hinfo.append(info.select_one(‘h2 a‘).get(‘href‘))

            #转换成字典
            housedata = dict(zip(keys, hinfo))
            print (housedata)
            self.saveData(housedata)

    def getNextPage(self, page):
        try:
            #获取下一页
            pagenode = page.select_one(‘.page-box‘)
            pageinfo = pagenode.get(‘page-data‘)
            jdata = json.loads(pageinfo)
            curpage = jdata.get(‘curPage‘)
            total = jdata.get(‘totalPage‘)
            if (curpage < total):
                return ‘pg%d‘%(int(curpage+1))
        except:
            print(‘error‘)
            pass

    def saveData(self, data):
        #按照顺序保存数据
        keys = [‘信息‘, ‘小区‘, ‘户型‘, ‘价格‘, ‘面积‘, ‘区域‘,
                ‘位置‘, ‘楼层‘, ‘年份‘, ‘附加信息‘, ‘房屋ID‘, ‘详情页地址‘]
        [hd.write(keys, data) for hd in self.hds]

    def close(self):
        #列表解析关闭存储模块
        [hd.close() for hd in self.hds]

if __name__ == ‘__main__‘:
    #开始抓取
    url = ‘https://bj.lianjia.com/zufang/‘
    csvhd = CsvSaveModule(‘ljinfo.csv‘)
    spider = SpiderMoujia(csvhd)
    spider.startCrawler(url)

运行过程如下图：

最终获取了1W多套出租房信息；到这里我完成链家出租房员信息抓取。

5.我爱我家与贝壳抓取分析。

我爱我家是一个老牌的房地产中介，老猫来帝都10年了，毕业当年大部分同学干了当年认为比较正统的工作，一个另类同学去了我爱我家做中介，早些年他经常群里发消息，给我们介绍房源，大家认为他是推销，很少有人理他；最近同学聚会见面我问他：你当年为什么不在使劲逼着我买房？同学抬起头，吸了一口烟吐了一圈，说了一句话，让我感觉夏天顿时凉爽了许多：‘逼你你也买不起，逼你你也买不起，逼你你也买不起，重要事情说三遍‘，感觉友谊的小船就要翻了。
下面我们来看我爱我家出租房源页面信息，如下图：

从页面中我们可以看到，我爱我家有3.2万套出租房源，房源信息比较直观；通过分析发现抓取我爱我家请求行为与抓取链家类似，不同之处在于提取数据与提取过程；我们可以在基于链家爬虫进行修改实现；具体实现过程在这里不详细讲解，直接上抓取部分结果：

区域,地址,小区,价格,面积,楼层,装修,地铁附近,户型,朝向,信息,附加信息,详情
朝阳,望京,宝星国际,8000,64  平米,低楼层/25层,精装,距离地铁望京东450米,1  室  1  厅,南,宝星国际紧邻望京SOHO 阿里巴巴  精装朝南大开间,"近地铁,随时看,拎包入住,押金减免",/zufang/41330436.html
朝阳,望京,炫彩嘉轩,6500,60  平米,中楼层/21层,精装,距离地铁望京东760米,1  室  0  厅,南,炫彩一居室老业主委托 我有钥匙 邻望京SOHO,"近地铁,可短租,拎包入住,集中供暖",/zufang/41348206.html
朝阳,望京,宝星国际,8500,64  平米,高楼层/25层,精装,距离地铁望京东450米,1  室  1  厅,南北,望京SOHO旁宝星国际，邻阿里巴巴，绿地，南向大开间,"近地铁,随时看,拎包入住,押金减免",/zufang/41331126.html
朝阳,CBD,阳光100国际公寓,9500,48  平米,低楼层/33层,精装,距离地铁大望路391米,1  室  1  厅,北,阳光100国际公寓精装开 二次装修有钥匙看房方便,"近地铁,随时看,免佣,拎包入住",/zufang/41330729.html
朝阳,望京,朝庭公寓,13000,112  平米,高楼层/27层,精装,距离地铁望京南476米,2  室  1  厅,南北,望京南朝庭公寓，邻悠乐汇和方恒国际，看房有钥匙，随时看房,"近地铁,随时看,免佣,拎包入住",/zufang/41337320.html
朝阳,石佛营,日月东华,6700,66.3  平米,顶层/21层,精装,距离地铁十里堡1072米,1  室  1  厅,南,石佛营新上婚房一居拎包入住 看房预约,"近地铁,拎包入住,集中供暖",/zufang/41348814.html
朝阳,惠新西街,胜古北里,2800,58  平米,底层/5层,精装,距离地铁惠新西街南口232米,3  室  1  厅,北,随时看 随时住三家合住正规中卧室精装修,"近地铁,随时看,拎包入住,集中供暖",/zufang/41338276.html
朝阳,潘家园,弘善家园,5300,61  平米,中楼层/13层,精装,距离地铁十里河691米,1  室  1  厅,南,十里河 潘家园10号线 弘善家园精装正规一居 拎包入住,"近地铁,拎包入住",/zufang/41334177.html
朝阳,东坝,朝阳新城一区,6500,114  平米,中楼层/6层,精装,,2  室  1  厅,南北,朝阳新城一区两室一厅,随时看,/zufang/41351101.html
朝阳,十里堡,十里堡,6000,60  平米,底层/4层,中装,距离地铁十里堡781米,2  室  1  厅,南北,6号线 十里堡 南北两居带小院子 居家必备,"近地铁,随时看,集中供暖",/zufang/41345370.html
朝阳,十里堡,十里堡北里,5000,50  平米,中楼层/13层,中装,距离地铁十里堡371米,1  室  1  厅,南北,十里堡 八里庄北里 晨光家园  随时看,"近地铁,免佣",/zufang/41342158.html
朝阳,南沙滩,南沙滩小区,7000,65  平米,中楼层/6层,精装,距离地铁北沙滩775米,2  室  1  厅,南北,南沙滩 中间层两居室 临地铁北辰中科院 有钥匙,"近地铁,随时看,拎包入住",/zufang/41341943.html
朝阳,管庄,管庄周井大院,6000,72  平米,中楼层/5层,精装,距离地铁双桥604米,3  室  1  厅,南北,管庄周井大院精装三居室出租 随时入住,"近地铁,随时看,拎包入住,集中供暖",/zufang/41339579.html
朝阳,百子湾,金泰先锋,10000,92  平米,底层/11层,精装,距离地铁百子湾437米,2  室  1  厅,南北,金泰先锋 南北两室一厅一厨一卫,"近地铁,拎包入住,集中供暖",/zufang/41328442.html
朝阳,北苑,蕴实园,5800,66.37  平米,中楼层/14层,精装,距离地铁北苑571米,1  室  1  厅,南,钥匙房源，看房随时。,"近地铁,随时看,拎包入住",/zufang/41349514.html
朝阳,芍药居,芍药居,13000,118.38  平米,中楼层/14层,简装,距离地铁芍药居116米,3  室  1  厅,南,芍药居南里精装修三室一厅,"近地铁,随时看,拎包入住,集中供暖",/zufang/41348855.html
朝阳,双桥,东一时区,4500,65  平米,中楼层/26层,精装,距离地铁管庄1214米,1  室  1  厅,西北,管庄 东一时区 精装一居室 家电齐全 随时入住看房,"近地铁,拎包入住,集中供暖",/zufang/41346286.html
...

最后我们来看贝壳抓取，贝壳是近些年起来的中介平台，有点类京东，不仅有链家，自如房源，还有其他家；除了贝壳，还有其他很多短租长租平台，例如小猪短租，蛋壳等；
有时候我常思考一个问题：

负能量：这些网站都是IT开发人员搞得，我们都是一个行业，为什么要自己坑自己。如果没有这么多中介平台去抢房源，炒房价，价格可能落下来；
正能量：中介伤根据市场需求搭建中介平台，使广大租客可以从正规渠道租房，远离黑中介，给我们省去很多租房过程中遇到难题与烦恼，我们应该感谢这些中介商。
下面我们看下贝壳网页面信息：

贝壳房源信息中除了基本信息，还包括房源属于谁，例如：自如，链家，xx公寓等；贝壳抓取过程和链家也是类似的，具体实现在这里不详细讲解，直接看我们抓取的数据：

中介商,价格,面积,信息,区域,位置,户型,楼层,附加信息,详情页地址
链家,14000,84㎡,整租 · 海运仓小区 3室1厅 14000元,东城,东直门,3室1厅1卫,低楼层（7层）,"近地铁,精装,集中供暖",/zufang/BJ2058598225715675136.html
链家,9200,89㎡,整租 · 安定门 安德路 精装修大两居 可拎包入住,东城,安定门,2室1厅1卫,高楼层（19层）,"近地铁,精装",/zufang/BJ2047499309347512320.html
链家,6000,61㎡,整租 · 安化南里 1室1厅 6000元,东城,广渠门,1室1厅1卫,低楼层（16层）,"近地铁,新上,随时看房",/zufang/BJ2062732570394894336.html
链家,3500,14㎡,整租 · 南剪子巷 1室1厅 3500元,东城,东四,1室1厅0卫,低楼层（1层）,"近地铁,新上,随时看房",/zufang/BJ2064894449783685120.html
链家,25000,158㎡,整租 · 东城逸墅南北通透大三居 婚房出租 可看房 家具齐全,东城,工体,3室1厅2卫,中楼层（7层）,"近地铁,精装,集中供暖,双卫生间,随时看房",/zufang/BJ2034641117466591232.html
城家精选公寓,11300,43㎡,整租 · 元嘉国际公寓 1室0厅,东城,东直门,1室0厅1卫,未知（10层）,"公寓,租房节,七天换租,近地铁,精装,集中供暖,免中介费,押一付一,新上",/zufang/BJ2066558104174067712.html
链家,28000,207㎡,盛德大厦 4室2厅 28000元,东城,和平里,4室2厅2卫,中楼层（20层）,"近地铁,集中供暖,随时看房",/zufang/BJ2049715273455910912.html
龙源易家,3500,26㎡,合租 · 海运仓小区 3室1厅,东城,东直门,3室1厅1卫,未知（6层）,"限女生,限男生,独立卫生间,租房节,近地铁,精装,独立阳台,集中供暖,免中介费,新上",/zufang/BJ2066335711790891008.html
...
``
房源信息抓取完成后保存到csv文件中，然后使用对数据进行分析。

5.房源价格分析：

老猫算了下，三个平台数据加起来差不多7W套左右（链家数据和贝壳有重复，同一个房员可同时挂在链家与我爱我家中），所有应该到不了7W套。
我们使用分析模块为Python中的matplotlib, pandas, seaborn, pyecharts;

5.1：分析北京各辖区的总的价格分布：

房东要给我涨800房租，生气的我用Python抓取帝都几万套房源信息，我主动涨了1000。

标签：自营   rac   失败   for   log   extend   chart   soup   def   

原文地址：http://blog.51cto.com/huangyg/2164433