Python数据采集和分析告诉你为何上海的二手房你都买不起！（一）（转发自ID王大伟）

发表: 2017-08-15 浏览: 1362

Python网络爬虫

1.前言

本人是个学生党，在过两年就要研究生毕业了，面临着找工作，相信很多人也面临或者经历过工作，定居租房买房之类的

在此，我们来采集一下上海在售的二手房信息，有人想问，为啥不采集新房？快醒醒吧，新房可远观而不可亵玩焉，一般人都买不起，看的只会心情不好，hhhh

Clipboard Image.png

当然，二手房估计你也买不起！咱们拿数据说话！

2.观察网站结构

以本人所在的城市上海为例，走在上海的大街小巷，你会看到很多做房产中介的，最常见的就是链家了~

我们进一下链家的上海二手房页面：http://sh.lianjia.com/ershoufang/?utm_source=360&utm_medium=cpp&utm_term=链家二手房交易&utm_content=链家二手房&utm_campaign=品牌词

Clipboard Image.png

有81508套二手房源在出售，这么多！

Clipboard Image.png

3.寻找需要爬取信息

感觉这些红色框的我都想要，但是感觉还是不够全面，我们点击进去看看详细信息。

Clipboard Image.png

这里面的信息挺全的，当然，我根据需要的数据（可能之后分析需要用到）来选择爬取的数据

分析网页结构在我之前的文章里有写到，就不赘述了

传送门：

Python网络爬虫爬取智联招聘职位：https://ask.hellobi.com/blog/wangdawei/6710

爬取起点中文网月票榜前500名网络小说介绍：https://ask.hellobi.com/blog/wangdawei/7285

4.撰写爬虫

#主要程序
import requests
import re
from bs4 import BeautifulSoup
from fake_useragent import UserAgent

ua=UserAgent()#使用随机header，模拟人类
headers1={'User-Agent': 'ua.random'}#使用随机header，模拟人类
houseary=[]#建立空列表放房屋信息
domain='http://sh.lianjia.com'#为了之后拼接子域名爬取详细信息
for i in range(1,400):#爬取399页，想爬多少页直接修改替换掉400，不要超过总页数就好
    res=requests.get('http://sh.lianjia.com/ershoufang/d'+str(i),headers=headers1)#爬取拼接域名
    soup = BeautifulSoup(res.text,'html.parser')#使用html筛选器
    #print(soup)
    for j in range(0,29):#网站每页呈现30条数据，循环爬取
        url1=soup.select('.prop-title a')[j]['href']#选中class=prop-title下的a标签里的第j个元素的href子域名内容
        url=domain+url1#构造子域名
        houseary.append(gethousedetail1(url,soup,j))#传入自编函数需要的参数

def gethousedetail1(url,soup,j):#定义函数，目标获得子域名里的房屋详细信息
    info={}#构造字典，作为之后的返回内容
    s=soup.select('.info-col a')[1+3*j]#通过传入的j获取所在区的内容
    pat='<a.*?>(.*?)</a>'#构造提取正则
    info['所在区']=''.join(list(re.compile(pat).findall(str(s))))#使用join将提取的列表转为字符串
    s1=soup.select('.info-col a')[0+3*j]#[0].text.strip()
    pat1='<span.*?>(.*?)</span>'
    info['具体地点']=''.join(list(re.compile(pat1).findall(str(s1))))
    s2=soup.select('.info-col a')[2+3*j]#[0].text.strip()
    pat2='<a.*?>(.*?)</a>'
    info['位置']=''.join(list(re.compile(pat2).findall(str(s2))))
    q=requests.get(url)#使用子域名
    soup=BeautifulSoup(q.text,'html.parser')#提取子域名内容,即页面详细信息
    for dd in soup.select('.content li'):#提取class=content标签下的li标签房屋信息
        a=dd.get_text(strip=True)#推荐的去空格方法，比strip（）好用
        if '：' in a:#要有冒号的，用中文的冒号，因为网页中是中文  
            key,value=a.split('：')#根据冒号切分出键和值
            info[key]=value
    info['总价']=soup.select('.bold')[0].text.strip()#提取总价信息
    return info#传回这一个页面的详细信息

写了详细注释，相信萌萌的你可以看懂~

Clipboard Image.png

我们来看一下爬的结果：

houseary#看一下列表信息

Clipboard Image.png

就是将每次爬取的信息做成dict依次添加在list中

接下来使用pandas神器~

import pandas#pandas大法好
df=pandas.DataFrame(houseary)
df

Clipboard Image.png

考虑到主程序写了双重for循环，函数里写了循环，所以时间复杂度是O（n^3）,对于一个算法，一般是不可以接受的，好吧，萌萌的我只能接受，如果你问我为什么，我只能说，我写不出低复杂度的了。。。爬了这1w+条数据用了我1小时时间。。。各位dalao如果有方法可以指点一下，之后我想学习多线程提高爬取速度~

Clipboard Image.png