实验的目的
1.使用python将爬虫数据存入mongodb;
2.使用python读取mongodb数据并进行可视化分析
实验的原理
MongoDB是文档数据库,采用BSON的结构来存储数据。在文档中可嵌套其他文档类型,使得MongoDB具有很强的数据描述能力。本节案例使用的数据为链家的租房信息,源数据来自于链家网站,所以首先要获取网页数据并解析出本案例所需要的房源信息,然后将解析后的数据存储到MongoDB中,最后基于这些数据进行城市租房信息的查询和聚合分析等。
实验的环境
OS:Windows 10
Python3
MongoDB:v4.4
实验的步骤
一、使用python将爬虫数据存入mongodb
1.爬取的数据
分析租房信息首先要获取原始的二手房房源数据,本例使用python爬虫技术获取链家网页的二手房楼盘信息。如图所示,对房源信息进行分析需要获取房源所在区域、小区名、房型、面积、具体位置、价格等信息。
定义了三个函数依次实现此过程:
import requests
import re
import threading
import pandas as pd
from 1xml import etree
# 全部信息列表
count=list()
#生成1-10页url
def url creat():
#基础url
ur1 =:https://gl.lianjia.com/ershoufang/pg{}/'
#生成前10页uP1列表
links-[url. format (i) for i in range (1,11)]
return links
#对url进行解析
def url parse(url):
headers = {
'Accept': text/html,application/xhtml+xml,application/xml;q=0.9, image/avif, image/webp, image/apng,*/*;q=0.8, ap',
'Accept-Encoding': gzip, deflate, br',
'Accept-Language': zh-CN,zh; 9=0.9',
'Cache-Control': 'no-cachel,
'Connection": "keep-alive',
'Cookie': lianjia_uuid=7e346c7c-5eb3-45d9-8b4f-e7cf10e807ba; UM_distinctid-17a365c21243a-0€5b8471aaebf5-63732',
'Host' :"qd.lianjia.com',
'Pragma': 'no-cache',
'Referer': 'https://qd.lianjia.com/',
'sec-ch-ua': "" Not;A Brand"; v="99", "Google Chrome";v-"91", "Chromium";v="91",
'sec-ch-ua-mobile: '?0',
'Sec-Fetch-Dest': "document',
'Sec-Fetch-Mode': "navigate',
'Sec-Fetch-Site': same-origin',
"Sec-Fetch-User': '?1',
Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36'},
response=requests.get(url=url,headers=headers).text
tree=etree.HTML(response)
#ul列表下的全部li标签
li_List=tree.xpath("//*[@class='sellListContent']/li")
#创建线程锁对象
lock = threading.RLock()
#上锁
lock.acquire()
for li in li_List:
#标题
title=li.xpath('./div/div/a/text()')[0]
#网址
link=li.xpath('./div/div/a/@href')[0]
#位置
postion=li.xpath('./div/div[2]/div/a/text()')[0]+li.xpath('./div/div[2]/div/a[2]/text()')[0]
#类型
types=li.xpath('./div/div[3]/div/text()')[0].split(' | ')[0]
#面积
area=li.xpath('./div/div[3]/div/text()')[0].split(' | ')[1]
area=area[:-2]
#房屋信息
info=li.xpath('./div/div[3]/div/text()')[0].split(' | ')[2:-1]
info=''.join(info)
#房屋年份
year=li.xpath('./div/div[3]/div/text()')[0].split(' | ')[5]
numbers = re.sub("\D", "",year) # 匹配连续的数字
year=''.join(numbers)
#房屋装修情况
renovation=li.xpath('./div/div[3]/div/text()')[0].split(' | ')[3]
#总价
count_price=li.xpath('.//div/div[6]/div/span/text()')[0]
#单价
angle_price=li.xpath('.//div/div[6]/div[2]/span/text()')[0]
angle_price=re.sub("\D", "",angle_price)#只保留数字
dic={'标题':title,"位置":postion,'房屋类型':types,'面积(平米)':area,"单价(元/平)":angle_price,'总价(万)':count_price,'年份':year,'精/简装':renovation,'介绍':info,"网址":link}
print(dic)
#将房屋信息加入总列表中
count.append(dic)
#解锁
lock.release()
def run():
links = url_creat()
#多线程爬取
for i in links:
x=threading.Thread(target=url_parse,args=(i,))
x.start()
x.join()
#将全部房屋信息转化为excel
data=pd.DataFrame(count)
data.to_excel('桂林房屋信息.xlsx',index=False)
if __name__ == '__main__':
run()
爬虫细节参考:【Python爬虫项目】链家房屋信息抓取(超详细适合新手练习附源码)
2.数据清洗
爬出下来的数据存在空缺的情况,并需要去除部分信息【不清洗也可以】
使用python进行数据清洗。首先读取数据
import pandas as pd
data = pd.read_excel("桂林房屋信息.xlsx")
data.head(5)
#data.info()
去掉标题、介绍和网址列,去掉年份为空的行
data_db=data[["位置","房屋类型","面积(平米)","单价(元/平)","总价(万)","年份","精/简装"]].dropna()
data_db["年份"]=data_db["年份"].astype('int')#年份变成整型
data_db = data_db.sort_values(by="年份", ascending=False)#按年份进行排序
data_db
3.数据存储
将清洗好的数据存储到mongodb中:将数据转换成字典列表形式,通过insert_many方法写入
import pandas as pd
from pymongo import MongoClient
# 创建MongoDB客户端
client = MongoClient('localhost', 27017) # 根据自己的配置修改主机名和端口号
db = client['lianjia'] # 选择或创建数据库
collection = db['ershoufang'] # 选择或创建集合
# 读取DataFrame数据
# 转换DataFrame为字典列表形式
documents = data_db.to_dict(orient='records')
# 向集合中插入文档
collection.insert_many(documents)
print("Data stored in MongoDB successfully!")
成功写入
二、使用 python 读取 mongodb 数据并进行可视化分析
房源数据进行存储后,需要进行数据分析,比如获取不同年份房价(单价)的最小值和最大值,并以条形图的形式展示出来。
1.以统计不同年份的房价为例,使用 MongoDB 聚合管道技术对数据进行分组计算,如下代码片段对房源的不同年份进行分组聚合:
出现了问题:
也就是nongodb聚合出来的结果python不能直接提取到列表,这个问题我也不知道如何解决。。。
.
所以,比较笨拙的办法为,把聚合的结果先存储到新的集合中:
其中,{ $sort : { “_id” : 1 } }为按照_id字段排序,即为按照年份排序, {“$out”:{“db”:“lianjia”,“coll”:“tongji”}} 为把聚合结果作文新文档存放在数据库lianjia的集合tongji中。
这样就可以提取文档的字段到列表中了,进行下一步:绘图。
2.基于聚合统计出的数据使用 python 绘制条形图,使用到 matplotlib 库,具体代
码如下:
39.
40.#显示条形图
41.plt.show() 这是接着截图里的 可以看序号衔接 因为没截长屏 T.T
结果如图所示:
一些容易出现的问题:
1.数据类型问题:爬虫阶段下载的数据可能是文本类型的或者带单位,数据分析需要改为浮点型或者整型,当然也可以在下载的时候处理好
2.下载的数据若要以年份进行排序,需要提前处理,否则画图会出现问题
到这里就结束了,感谢大家的参考!蟹蟹大家!
作者是一名刚诞生的小白!