收藏关注不迷路
前言
如今这个大数据时代,面对网络上浩如烟海的信息,如何从中提取有效信息成为问题。本文基于Scrapy框架以杭州链家网租房信息为对象,爬取租房信息,其中为突破爬虫封锁采用IP代理池、布隆去重等多种方法。同时将数据存储于数据库,并利用Pandas清洗数据。最后将数据利用Flask和Echarts在前端以图表的形式输出,并分析得出杭州租房面积和金额的分布,房源大多集中在余杭区和萧山区,租房价格滨江区最贵、租房楼层一般是高楼层等结论,为租客提供参考。
关键词:Scrapy;网络爬虫;反爬虫;URL去重;数据可视化
一、功能介绍
本课题着眼于大数据互联网时代下的信息获取以及数据可视化分析,以杭州链家网中的租房信息为研究对象,利用Scrapy框架实现链家网租房信息爬虫并爬取数据,利用MySQL数据库作为前端和采集的枢纽存储数据。对于原始数据还需要对数据进行分析和处理,除去数据中的脏数据并规范化数据以方便后面的数据可视化。最后将数据用图表的方式输出,对租客有一定的指导作用,让其能更明确地去寻找租房信息。
二、开发环境
开发语言:Scrapy, scrapy框架
软件版本:python3.7/Scrapy
数据库工具:Navicat11
开发软件:PyCharm/vs code
————————————————
三、系统总体结构设计
本系统将大致分为四个模块,数据采集模块、数据存储模块、数据处理模块、数据可视化模块,如图4-1所示。数据采集模块负责爬取链家网数据;数据存储模块负责存储采集的数据;数据处理模块负责将采取的原始数据进行规范化、量化处理,为后续的数据可视化打下基础;数据可视化模块负责提供一个web平台将数据用图形化的手段展示给用户。
图4-2 链家网杭州租房主页面
4.2 数据采集模块
首先要明确需要爬取的网页的结构,链家网上杭州租房的主页面如图4-2所示,第一个红框中显示了杭州的各个行政区,第二个红框显示了价格分段。根据对于网站结构的分析发现,当房屋数量过多时,网页只能显示前100页的数据,所以