爬虫实战--拿下最全租房数据 | 附源码

优秀不够,那就要无可替代!
点赞再看,养成好习惯

Python版本3.8.0,开发工具:Pycharm



写在前面的话

老规矩,目前为止,你应该已经了解爬虫的三个基本小节:

  • 爬虫的原理和流程
  • 爬虫的两种实现方式
  • 通过 BeautifulSoup 解析网页源码

不了解的自行点进去复习

上一篇的实战只是给大家作为一个练手,数据内容比较少,且官网也有对应的 API,难度不大。

但是“麻雀虽小,五脏俱全”,如果这一节看完感觉流程还不是很熟悉,建议去看上一节:

  • 爬虫实战-手把手教你爬豆瓣电影

好了,前面的回顾就到此为止。这节开始带大家真正搞事情


准备工作

确定目标

今天我们的目标是某家网,官网链接:https://www.lianjia.com/。

当你用浏览器访问这个网址的时候,可能会自动变成 https://sz.lianjia.com/ 这种。

sz 代表的是城市深圳
(哈哈,是的,小一我现在在深圳。)

某家网上有二手房、新房、租房等等,我们今天的目标是 https://sz.lianjia.com/zufang/
“你没看错,zufang租房 的拼音“

所以,今天我们要爬取某家网的租房数据,地点:深圳。

设定流程

因为官网的数据每天都在发生变化,你也不必说要和我截图中的数据一模一样。

首先,我们已经确定了目标是某家网在深圳的所有租房数据,看一下首页

文章首发:公众号『知秋小一』

截止2019-12-31号,深圳十个区共 32708 套深圳租房,好像还挺多的,不知道我们能不能全部爬下来。

按照官网每页30条数据来看,我们看一下翻页的显示:

文章首发:公众号『知秋小一』

问题来了,显示页码只有100页,是不是100页之后被隐藏了呢?

我们试着在 url 中修改页码为pg101,结果发现显示的还是第100页的内容。

那,如何解决网页只有前100页数据?

设置搜索条件,确保每个搜索条件下的数据不超过3000条,这样我们就可以通过100页拿到所有的数据。

通过设置区域进行搜索,试试看:

文章首发:公众号『知秋小一』

罗湖区 2792条数据 < 3000。

ok,我们再看看其他区

[图片上传失败...(image-dab690-1578449129456)]

好像不太妙,福田区整租都有4002套(已经设置了整租条件的情况下)。

没关系,我们继续设置搜索条件:

文章首发:公众号『知秋小一』

新增居室搜索,可以看到福田区整租的一居有1621套,满足条件。

其他三个直接不用看了,肯定也满足。

继续查看剩余的几个区,发现也满足,搞定

那这样子的话,我们的步骤就是先检查记录数有没有超过3000条,超过了则继续增加新的条件,一直到不超过3000,然后分页遍历所有数据。

好,那我们稍微画一下流程图:

[图片上传失败...(image-301477-1578449129456)]

确定条件

大致流程基本没什么问题了,我们看一下具体需要注意的搜索条件。

[图片上传失败...(image-cbe581-1578449129456)]
首先是城市区域的获取,每个城市的区域都不一样,区域数据通过网页获取

其次是出租方式的获取,官网对应两种:整租和合租,观察 url 发现分别对应 rt200600000001、rt200600000002

然后是房屋居室的获取,官网对应四种:一居、二居、三居和四居,观察 url 发现分别对应 l0、l1、l2、l3(小写字母 L 不是1)

最后是分页的获取,官网 url 对应 pg+number

拼接成 url 之后是:
base_url+/区域/+pg+出租方式+居室

细节处理

  • 爬取的内容较多,每次爬取需要设置时间间隔
  • 需要增加浏览器标识,防止被封 ip
  • 需要增加检测机制,丢掉已经爬取过的数据
  • 数据需动态保存在文件中,防止被封后需要重头再来
  • 若要保存数据库,爬虫结束后再连接数据库


异常处理

官网中有一种类型的房屋,网页格式不标准,且拿不到具体数据。

对,就是公寓

可以看到,在房屋列表中公寓无论是在价格显示、房屋地址、朝向等都异于普通房屋。

文章首发:公众号『知秋小一』

且在详细界面的内容也是无法拿到标准信息的

文章首发:公众号『知秋小一』

对于这种数据,我们直接丢掉就好。


开始实战

根据流程图,步骤已经很清楚了:

  1. 确定城市,获取目标主页网址
  2. 针对数据,确定目标查询条件
  3. 针对总数,确定目标页码划分
  4. 针对内容,确定目标对象字段

你准备好了吗?

确定要获取的数据字段:

​```
# encoding:utf-8
# Author:   小一 
# address:  公众号:知秋小一
# email:    [email protected]
# Date:     2019/12/24 0:04
# Description: 链家租房数据字段
​```

city: 城市
house_id:房源编号
house_rental_method:房租出租方式:整租/合租/不限
house_address:房屋地址:城市/区/小区/地址
house_longitude:经度
house_latitude:纬度
house_layout:房屋格局
house_rental_area:房屋出租面积
house_orientation:房屋朝向
house_rental_price:房屋出租价格
house_update_time:房源维护时间
house_tag:房屋标签
house_floor:房屋楼层
house_elevator:是否有电梯
house_parking:房屋车位
house_water:房屋用水
house_electricity:房屋用电
house_gas:房屋燃气
house_heating:房屋采暖
create_time:创建时间
house_note:房屋备注
# 额外字段
house_payment_method:房屋付款方式:季付/月付
housing_lease:房屋租期


第一件事,设置城市、网址和爬虫头部

# 通过城市缩写确定url
city_number = 'sz'
url = 'https://{0}.lianjia.com/zufang/'.format(city_number)

爬虫头部我们只需要设置一个 User-Agent 就行了

User-Agent 尽可能多的设置。(篇幅有限,这里只放一部分,更多设置请在文末获取源码查看)

# 主起始页
self.base_url = url
# 当前筛选条件下的页面
self.current_url = url
# 设置爬虫头部
self.headers = {
    'User-Agent': self.get_ua(),
}

def get_ua(self):
    """
    在UA库中随机选择一个UA
    :return: 返回一个库中的随机UA
    """
    ua_list = [
        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.50",
        "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:34.0) Gecko/20100101 Firefox/34.0"
    ]

    return random.choice(ua_list)


接下来,获取当前城市的总记录数。

想一想,万一有的城市出租房总记录数都不大于3000,那我们岂不是连搜索条件都不用设置了?

每个城市的区域数据都不一样,如果要手动输入的话那太麻烦了。

我们直接通过网页获取到要查询城市的区域数据。

def get_house_count(self):
    """
    获取当前筛选条件下的房屋数据个数
    @param text:
    @return:
    """
    # 爬取区域起始页面的数据
    response = requests.get(url=self.current_url, headers=self.headers)
    # 通过 BeautifulSoup 进行页面解析
    soup = BeautifulSoup(response.text, 'html.parser')
    # 获取数据总条数
    count = soup.find_all(class_='content__title--hl')[0].string
    
    return soup, count     

获取到总记录数之后,就需要拿 3000 对它衡量一下了。

超过3000,则进行二次划分;不超过,则直接遍历获取数据

# 获取当前筛选条件下数据总条数
soup, count_main = self.get_house_count()

# 如果当前当前筛选条件下的数据个数大于最大可查询个数,则设置第一次查询条件
if int(count_main) > self.page_size*self.max_pages:
    # 获取当前城市的所有区域,当做第一个查询条件
    pass
else:
    # 直接遍历获取数据
    pass


第二步,添加条件

首先获取当前城市的所有区域

可以看到,深圳市的所有区域都在页面上

文章首发:公众号『知秋小一』

多谢某家整理的整整齐齐,以后租房就去你家了

直接获取到所有符合要求的 li 标签,拿到区域数据

需要注意我们拿到的区域数据,我们只需要它的拼音,即 href 中后面的部分

# 拿到所有符合要求的 li 标签
soup_uls = soup.find_all('li', class_='filter__item--level2', attrs={'data-type': 'district'})
self.area = self.get_area_list(soup_uls)

def get_area_list(self, soup_uls):
    """
    获取城市的所有区域信息,并保存
    """
    area_list = []
    for soup_ul in soup_uls:
        # 获取 ul 中的 a 标签的 href 信息中的区域属性
        href = soup_ul.a.get('href')
        # 跳过第一条数据
        if href.endswith('/zufang/'):
            continue
        else:
            # 获取区域数据,保存到列表中
            area_list.append(href.replace('/zufang/', '').replace('/', ''))

    return area_list

拿到之后,直接遍历每个区域,将区域当做我们第一个查询条件

在第一个查询条件下,同样需要获取该条件下的总记录数

是不是有点熟悉,又重复第一步的工作了。

体会到我为什么刚才把获取总记录数这个功能封装在函数里了吧,后面也还会再用到!

# 遍历区域,重新生成筛选条件
for area in self.area:
    self.get_area_page(area)
    
def get_area_page(self, area):
    """
    当前搜索条件:区域
    @param area:
    @return:
    """
    # 重新拼接区域访问的 url
    self.current_url = self.base_url + area + '/'
    # 获取当前筛选条件下数据总条数
    soup, count_area = self.get_house_count()

在当前条件下,同样需要判断是否超过 3000条。

如果超过,同样进行条件划分

'''如果当前当前筛选条件下的数据个数大于最大可查询个数,则设置第二次查询条件'''
if int(count_area) > self.page_size * self.max_pages:
    # 遍历出租方式,重新生成筛选条件
    for rental_method in self.rental_method:
        pass
else:
    # 直接遍历获取数据
    pass

这里我们在初始化函数中定义了出租方式和居室情况,所以不需要再从网页上获取,可以直接 for 循环了。

每个城市的出租方式和居室数据都是固定的,直接定义好会更方便。

# 出租方式:整租+合租
self.rental_method = ['rt200600000001', 'rt200600000002']
# 居室:一居、二居、三居、四居+
self.rooms_number = ['l0', 'l1', 'l2', 'l3']

同样我们需要获取出租方式条件下的总记录数

# 重新拼接区域 + 出租方式访问的 url
self.current_url = self.base_url + area + '/' + rental_method + '/'
# 获取当前筛选条件下数据总条数
soup, count_area_rental = self.get_house_count()

同理,继续往下添加房屋居室数量

# 重新拼接区域 + 出租方式 + 居室 访问的 url
self.current_url = self.base_url + area + '/' + rental_method + room_number + '/'
# 获取当前筛选条件下数据总条数
soup, count_area_rental_room = self.get_house_count()

第三步,确定页数,并开始遍历每一页

设置相应的页码初始化数据,方便进行遍历

# 起始页码默认为0
self.start_page = 0
# 当前条件下的总数据页数
self.pages = 0
# 每一页的出租房屋个数,默认page_szie=30
self.page_size = page_size
# 最大页数
self.max_pages = 100

当我们最终条件确定的记录数不足3000时

就可以通过遍历页码获取所有数据。

# 确定页数
# count_number是当前搜索条件下的总记录数
self.pages = int(count_number/self.page_size) \
if (count_number%self.page_size) == 0 else int(count_number/self.page_size)+1

'''遍历每一页'''
for page_index in range(1, self.pages+1):
    self.current_url = self.base_url + area + '/' + 'pg' + str(page_index) + rental_method + room_number + '/'

    # 解析当前页的房屋信息,获取到每一个房屋的详细链接
    self.get_per_house()
    page_index += 1

第四步,访问每个房屋的详细页面

上一步已经定位到整个页面了,我们来看看定位的页面

文章首发:公众号『知秋小一』

这个页面已经包含详细页面的跳转 url以及当前房屋的部分主要数据

并且这部分主要数据比详细页面的主要数据更好拿到,格式更规整。

好,那就选它了。

def get_per_house(self):
    """
    解析每一页中的每一个房屋的详细链接
    @return:
    """
    # 爬取当前页码的数据
    response = requests.get(url=self.current_url, headers=self.headers)
    soup = BeautifulSoup(response.text, 'html.parser')

    # 定位到每一个房屋的 div (pic 标记的 div)
    soup_div_list = soup.find_all(class_='content__list--item--main')
    # 遍历获取每一个 div 的房屋详情链接和房屋地址
    for soup_div in soup_div_list:
        # 定位并获取每一个房屋的详情链接
        detail_info = soup_div.find_all('p', class_='content__list--item--title twoline')[0].a.get('href')
        detail_href = 'https://sz.lianjia.com/' + detail_info

        # 获取详细链接的编号作为房屋唯一id
        house_id = detail_info.split('/')[2].replace('.html', '')
        '''解析部分数据'''
        # 获取该页面中房屋的地址信息和其他详细信息
        detail_text = soup_div.find_all('p', class_='content__list--item--des')[0].get_text()
        info_list = detail_text.replace('\n', '').replace(' ', '').split('/')
        # 获取房屋租金数据
        price_text = soup_div.find_all('span', class_='content__list--item-price')[0].get_text()

这里面我们需要注意开头说到的一点:公寓

公寓的 content__list--item--des 没有地址信息,所以我们通过长度去判断

# 如果地址信息为空,可以确定是公寓,而我们并不能在公寓详情界面拿到数据,所以,丢掉
if len(info_list) == 5:
    # 解析当前房屋的详细数据
    self.get_house_content(detail_href, house_id, info_list, price_text)

第五步,获取每个房屋的详细数据

上一步已经获取部分主要数据,这一步我们取剩下的数据。

首先先来看一下详细页面长啥样:

文章首发:公众号『知秋小一』

最上边的维护时间显示房源的更新状态,要它!

最右边的房屋标签数据也有用,要它一部分!

最下边的基本信息太有用了吧,肯定要它!

# 生成一个有序字典,保存房屋结果
house_info = OrderedDict()
    
'''爬取页面,获得详细数据'''
response = requests.get(url=href, headers=self.headers, timeout=10)
soup = BeautifulSoup(response.text, 'html.parser')

'''解析房源维护时间'''
soup_div_text = soup.find_all('div', class_='content__subtitle')[0].get_text()
house_info['house_update_time'] = re.findall(r'\d{4}-\d{2}-\d{2}', soup_div_text)[0]

'''解析房屋出租方式(整租/合租/不限)'''
house_info['house_rental_method'] = soup.find_all('ul', class_='content__aside__list')[0].find_all('li')[0].get_text().replace('租赁方式:', '')

'''解析房屋的标签'''
house_info['house_tag'] = soup.find_all('p', class_='content__aside--tags')[0].get_text().replace('\n', '/').replace(' ', '')

'''房屋其他基本信息'''
# 定位到当前div并获取所有基本信息的 li 标签
soup_li = soup.find_all('div', class_='content__article__info', attrs={'id': 'info'})[0]. 
find_all('ul')[0].find_all('li', class_='fl oneline')
# 赋值房屋信息
house_info['house_elevator'] = soup_li[8].get_text().replace('电梯:', '')
house_info['house_parking'] = soup_li[10].get_text().replace('车位:', '')
house_info['house_water'] = soup_li[11].get_text().replace('用水:', '')
house_info['house_electricity'] = soup_li[13].get_text().replace('用电:', '')
house_info['house_gas'] = soup_li[14].get_text().replace('燃气:', '')
house_info['house_heating'] = soup_li[16].get_text().replace('采暖:', '')
house_info['create_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
house_info['city'] = self.city

# 保存当前影片信息
self.data_info.append(house_info)

应该该拿的数据都拿到了。

不对,好像还有经纬度没有拿到。

检查一下,在 js 代码中发现了一个坐标

文章首发:公众号『知秋小一』

看着很可疑,我们通过坐标反查看一看到底是不是这个房屋地址

文章首发:公众号『知秋小一』

ok,没问题,正是我们要的,那把它也拿下吧!

'''解析经纬度数据'''
# 获取到经纬度的 script定义数据
location_str = response.text[re.search(r'(g_conf.coord)+', response.text).span()[0]:
                             re.search(r'(g_conf.subway)+', response.text).span()[0]]
# 字符串清洗,并在键上添加引号,方便转化成字典
location_str=location_str.replace('\n','').replace('','').replace("longitude","'longitude'").replace("latitude", "'latitude'")
# 获取完整经纬度数据,转换成字典,并保存
location_dict = eval(location_str[location_str.index('{'): location_str.index('}')+1])
house_info['house_longitude'] = location_dict['longitude']
house_info['house_latitude'] = location_dict['latitude']

第六步,保存数据

每 50 条数据追加保存到本地文件中

当所有记录都爬完之后,将本地文件保存到数据库中。

数据需要保存到本地文件和数据库中。

其中本地文件每爬取50条追加保存记录,数据库只需要爬取结束后保存一次

def data_to_sql(self):
    """
    保存/追加数据到数据库中
    @return:
    """
    # 连接数据库
    self.pymysql_engine, self.pymysql_session = connection_to_mysql()
    # 读取数据并保存到数据库中
    df_data = pd.read_csv(self.save_file_path, encoding='utf-8')
    # 导入数据到 mysql 中
    df_data.to_sql('t_lianjia_rent_info', self.pymysql_engine, index=False, if_exists='append')

def data_to_csv(self):
    """
    保存/追加数据到本地
    @return:
    """
    # 获取数据并保存成 DataFrame
    df_data = pd.DataFrame(self.data_info)

    if os.path.exists(self.save_file_path) and os.path.getsize(self.save_file_path):
        # 追加写入文件
        df_data.to_csv(self.save_file_path, mode='a', encoding='utf-8', header=False, index=False)
    else:
        # 写入文件,带表头
        df_data.to_csv(self.save_file_path, mode='a', encoding='utf-8', index=False)
        
    # 清空当前数据集
    self.data_info = []

到此我们的流程就已经结束了。

小一我最终花了一天多的时间,爬取到了27000+数据。(公寓数据在爬取过程中已经丢掉了)

自行设置每次的休眠间隔,上面流程中我并没有贴出来,需要的在源代码中查看。

贴一下最终数据截图:

文章首发:公众号『知秋小一』


总结一下

主要流程

  • 确定目标:爬取的网站网址以及要爬取的数据
  • 设定流程:详细说明了我们每一步如何进行,以及整体的流程图
  • 确定条件:在搜索过程中确定每个层级的搜索条件
  • 细节处理:爬取数据较多,增加必要的细节处理,提高代码健壮性
  • 异常处理:异常房屋类型的处理,在这里我们直接丢掉。

日常思考:

比起第一个项目,这个项目流程会复杂一些,但是本质上没有区别

可以看到爬虫的核心代码其实就是那几句。

思考以下几点:

  • 如果本次的网站需要登录,应该怎么办?
  • 如果你要租房,你应该怎么分析?

必要提醒

  • 上述方法仅针对当前的官网源代码
  • 本次爬虫内容仅用作交流学习


源码获取

公众号后台回复 某家租房 获取 爬取某家网租房信息源码

本次爬虫的结果数据不对外公开,有需要的交流学习的可以加群获取。(后台回复加群


写在后面的话

发现最近几篇文章都是5000字的长文,是我太啰嗦了吗(真的怀疑自己了)?

坚持读到这的晚上记得给自己加个鸡腿,你已经很棒了。

我、我、我也想要加个鸡腿

呸呸呸,说好的不拿人民群众一针一线。

那,点个赞总行吧?

原创不易,欢迎点赞噢

文章首发:公众号【知秋小一】

文章同步:掘金,,csdn




你可能感兴趣的:(爬虫实战--拿下最全租房数据 | 附源码)