首页 / 爬虫 / Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5273字，纯文字阅读大概需要8分钟。

内容图文

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：

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片待采集数据字段

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。

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片上海二手房

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}/')

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片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

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片

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

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片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）

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片标题信息

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片总价信息

>>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)

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片房源列表数据预览

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

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片房源数据信息

>>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)

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片数据预览

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())

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片初步解析

>>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')

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片标题清洗

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>.*)')

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片朝向装修

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')

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片楼层楼龄

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')

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片位置信息

>> 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']]

Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据 - 文章图片最终数据预览

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

 

内容总结

以上是互联网集市为您收集整理的Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据全部内容，希望文章能够帮你解决Python爬虫 | 手把手教你扒一扒贝壳网成交房源数据所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/590817.html

来源：【匿名】