python实战：基于链家网二手房数据解析任务

实战：基于链家网二手房数据解析任务

页面：https://bd.ke.com/ershoufang/

获取如下信息：

1. 标题
2. 位置
3. 房屋信息
4. 关注人数 / 发布时间
5. 房屋总价
6. 房屋单价
7. 备注信息

1.导入库

import pandas as pd 
import requests
import parsel
import re                    #使用正则表达式时要用到的库
import time

2.获取URL

url = 'https://bd.ke.com/ershoufang/'

3.添加headers

headers = {
    'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}

headers在下方获取：

4.发起请求

r = requests.get(url, headers=headers)

5.解析网页

html = parsel.Selector(r.text)    #将其实例化成一个r.text，Selector对象为html

6.获取标题

title = html.xpath('//div[@class="info clear"]/div[@class="title"]/a/text()').extract()          #.extarct()用来提取获取的标签里面的内容
print(title)

结果如下图所示：

7.获取位置

position = html.xpath('//div[@class="info clear"]//div[@class="positionInfo"]//a/text()').extract()

结果如下图所示：

8.获取房屋信息

house_info1 = html.xpath('//div[@class="info clear"]//div[@class="houseInfo"]/text()').extract()
house_info = [re.sub('\s', '', i) for i in house_info1] 
house_info

这样获得的房屋信息长度是60，而其他的信息长度为30

可以使用以下的方法去除那些空行

#第一种——获取房屋信息
house_info = [re.sub('\s', '', i) for i in html.xpath('//li[@class="clear"]//div[@class="houseInfo"]/text()[2]').extract()]
house_info

结果如下图所示：

house_info = [re.search(r'houseIcon">(.*?)

', i, re.S).group(1) for i in html.xpath('//li[@class="clear"]//div[@class="houseInfo"]').extract()] house_info_2 = [re.sub('\s', '', i) for i in house_info] house_info_2

结果如下图所示：

9.获取关注信息

follow_info = [re.sub('\s', '', i) for i in html.xpath('//li[@class="clear"]//div[@class="followInfo"]/text()[2]').extract()]

结果如下图所示：

10.获取房屋总价

以下两种方法都可以

#获取房屋总价
#由于房价是由span标签和其下面的文本内容组成的，有两种方式
#第一种——将数字和单位万进行拼接
total_price = [i+'万' for i in html.xpath('//div[@class="info clear"]//div[@class="totalPrice"]/span/text()').extract()]

结果如下图所示：

#第二种——使用正则表达式
#'.'点表示匹配任意字符
#'*'星表示匹配零次或多次
#'?'问号表示非贪婪模式
total_price = [''.join(re.findall(r'(.*?)(.*?)

', i)[0]) for i in html.xpath('//div[@class="info clear"]//div[@class="totalPrice"]').extract()] total_price

结果如下图所示：

11.获取房屋单价

unit_price = html.xpath('//div[@class="info clear"]//div[@class="unitPrice"]/span/text()').extract()

结果如下图所示：

12.获取备注信息

tag_info = [' | '.join(re.findall(r'[\u4e00-\u9fa5]+', i)) 
            for i in html.xpath('//div[@class="info clear"]//div[@class="tag"]').extract()]

13.将上述过程封装成函数——获取1页信息

# 将上述过程封装成函数
def get_lianjia_one_page(url):
    """功能：给定链家网二手房地址，获取一页的信息"""
    #添加headers
    headers = {
        'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
    }

    #发起请求
    r = requests.get(url, headers=headers)
    
    # 解析网页
    html = parsel.Selector(r.text)

    # 获取信息
    title = html.xpath('//div[@class="info clear"]/div[@class="title"]/a/text()').extract()
    position = html.xpath('//div[@class="info clear"]//div[@class="positionInfo"]//a/text()').extract()
    house_info = [re.sub('\s', '', i) for i in html.xpath('//li[@class="clear"]//div[@class="houseInfo"]/text()[2]').extract()]    
    follow_info = [re.sub('\s', '', i) for i in html.xpath('//li[@class="clear"]//div[@class="followInfo"]/text()[2]').extract()]
    total_price = [''.join(re.findall(r'(.*?)(.*?)

', i)[0]) for i in html.xpath('//div[@class="info clear"]//div[@class="totalPrice"]').extract()] unit_price = html.xpath('//div[@class="info clear"]//div[@class="unitPrice"]/span/text()').extract() tag_info = [' | '.join(re.findall(r'[\u4e00-\u9fa5]+', i)) for i in html.xpath('//div[@class="info clear"]//div[@class="tag"]').extract()] # 保存信息 df_one = pd.DataFrame({ 'title': title, 'position': position, 'house_info': house_info, 'follow_info': follow_info, 'total_price': total_price, 'unit_price': unit_price, 'tag_info': tag_info }) return df_one # 获取URL url = 'https://bd.ke.com/ershoufang/' # 调用上面的函数 df_one = get_lianjia_one_page(url) df_one.head()

之前得到的是一页的数据，现在要得到多页数据

14.获取多页信息

# 多页面
def get_lianjia_100_page(city_name, page_num_all):
    """
    功能：给定城市名，获取100页的信息
    """    
    df_all = pd.DataFrame()
    # 构建URL地址
    for page_num in range(page_num_all): 
        try:
            url = 'https://{}.ke.com/ershoufang/pg{}/'.format(city_name, page_num+1) 
            # 调用函数
            df_one = get_lianjia_one_page(url) 
            # 循环追加
            df_all = df_all.append(df_one, ignore_index=True)
            # 打印进度
            print('我正在获取第{}页的信息'.format(page_num+1), end='\r')
            # 休眠一秒
            time.sleep(1) 
        except Exception as e:
            break
    return df_all  

df_all = get_lianjia_100_page(city_name='bd', page_num_all=5)

df_all.head()