爬取各公寓平台租房信息并进行分析

最新推荐文章于 2021-12-21 15:11:06 发布

lbship

最新推荐文章于 2021-12-21 15:11:06 发布

阅读量3.8k

点赞数 1

文章标签：爬虫

本文链接：https://blog.csdn.net/lbship/article/details/80160672

版权

一、分析的目的：

现在长租公寓发展势头很猛，不论是市场规模还是市场前景，都在向好的方面发展。短短两年时间，有数不清的的长租公寓公司成立，传统的地产公司、中介公司都介入了这个市场。简洁、舒适的风格，管家式的服务十分受年轻人喜爱。今天就来看看魔都的租房情况。（我也是住在这种公寓里的，吐槽一下，好看归好看，上海的房租本来就贵，这种公寓加上装修、人工的成本，更贵了很多）

1.观察上海各个地区租房房价分布

2.分析各大公寓平台的市场占比和分布

3.看看公寓平台的房屋特点

4.探索什么样的房子比较受年轻人喜欢（需要爬取随时间变化的数据，待以后有时间更新）

平台工具：python3.6 +pyecharts（用matplotlib也可以）+百度地图（生成热力图）

二、数据采集

本次采集了上百家公寓的租房信息，涵盖了自如、爱上租、青客、寓见公寓等，一共采集了两万多套房子，采集的字段有区域、小区、租金、公寓平台、房屋特点，详细介绍（url网址，方便后续进一步分析的时候爬取，可以获取到楼层、租期、管家电话等），爬虫开启了多进程，速度比较快，存储方式有Excel和MongoDB两种。这里只贴出贝壳网的爬虫，其他爬虫大同小异。自如网的爬虫需要加headers才可以爬取。

import requests,codecs
import pymongo,time
from lxml import html
from pathos.multiprocessing import ProcessingPool as Pool
#存储到MongoDB
# client = pymongo.MongoClient('mongodb://localhost:27017')
# db=client['testdb']
# myset=db['beike']
#获取所有网址，打包成字典
def get_urldic():
    urllist=['https://sh.zu.ke.com/zufang/jingan/',
             'https://sh.zu.ke.com/zufang/xuhui/',
             'https://sh.zu.ke.com/zufang/huangpu/',
             'https://sh.zu.ke.com/zufang/changning/',
             'https://sh.zu.ke.com/zufang/putuo/',
             'https://sh.zu.ke.com/zufang/pudong/',
             'https://sh.zu.ke.com/zufang/baoshan/',
             'https://sh.zu.ke.com/zufang/zhabei/',
             'https://sh.zu.ke.com/zufang/hongkou/',
             'https://sh.zu.ke.com/zufang/yangpu/',
             'https://sh.zu.ke.com/zufang/minhang/',
             'https://sh.zu.ke.com/zufang/jinshan/',
             'https://sh.zu.ke.com/zufang/jiading/',
             'https://sh.zu.ke.com/zufang/chongming/',
             'https://sh.zu.ke.com/zufang/fengxian/',
             'https://sh.zu.ke.com/zufang/songjiang/',
             'https://sh.zu.ke.com/zufang/qingpu/',]
    pagenum=[21,76,39,46,50,100,100,26,31,45,100,1,63,1,19,92,44]
    urldic=dict(zip(urllist,pagenum))
    return urldic.keys(),urldic.values()
#获取信息
def get_content(url1,pagenum):
    for j in range(1,pagenum):
        url=url1
        print('正在爬取{}第{}页,还剩{}页'.format(url,j,pagenum-j))
        url=url+'pg'+str(j)+'/#contentList'
        r=requests.get(url)
        r=html.fromstring(r.text)
        lenth=len(r.xpath('//div[@class="content__article"]/div[1]/div'))
        try:
            for i in range(1,lenth+1):
                urls=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/p[1]/a/@href'.format(i))[0]
                community=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/p[1]/a/text()'.format(i))[0].replace('\n','').strip()
                addr=r.xpath('//div[@class="content__article"]/div[1]/div[1]/div[{}]/p[2]/a/text()'.format(i))
                landlord=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/p[3]/text()'.format(i))[0].replace('\n','').strip()
                postime=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/p[4]/text()'.format(i))[0]
                label=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/p[5]/i/text()'.format(i))
                price=r.xpath('//div[@class="content__article"]/div[1]/div[{}]/div[1]/span/em/text()'.format(i))[0]
                output="{}\t{}\t{}\t{}\t{}\t{}\t{}\t{}\n".format(url,community,addr,price,landlord,postime,label,urls)
                savetoexcel(output)
                #如果是存储到MongoDB就用下面的
                # info={'community':community,'addr':addr,'price':price,'lanlord':landlord,'postime':postime,'label':label,'urls':urls}
                # try:
                #     myset.insert(info)
                # except:
                #     print('写入失败')

        except Exception as e:
            print(e)
            print('爬取失败')
#保存到Excel
def savetoexcel(output):
    try:
        f=codecs.open('beike2.xls','a+')
        f.write(output)
        f.close()
    except Exception as e:
        print('写入失败')
#主程序，开启多进程
if __name__ == '__main__':
    urldic=get_urldic()
    pool=Pool(processes=2)
    #这里多进程传2个参数，所以用了pathos这个库
    pool.map(get_content,urldic[0],urldic[1])
    pool.close()
    pool.join()

采集下来之后，利用高德地图API获取经纬度，稍微整理之后，是这样的：