前言
实验数据来源自某看房网站,通过爬虫一共爬取了一千六百多条数据。能力有限,实验结果仅供参考。
该网站几乎没有什么反爬虫措施,原理很简单,所以关键就是定位自己想要的信息。
工具
1、爬虫工具:request(爬虫包)、xpath(定位指定信息)
2、分析工具、pandas(数据分析工具)、tableau(可视化)
数据爬取
本次实验一共获取了以上三种数据:地址、单价和标签。先尝试了正则表达式过滤数据,发现正则表达式用起来比较麻烦,最后换成xpath的方法,简单粗暴。
def getHTMLText(url):
try:
header = {
'User-Agent':'User-Agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/**********
}
r = requests.get(url,timeout=20,headers=header) #设置超时
# 正则表达式匹配
#measures = re.findall('<span>建筑面积:(.*?)㎡</span>',r.text)
# areas = re.findall('<span class="list-map" target="_blank">\[ (.*?) (.*?) ] ', r.text)
#unit_price1 = re.findall('<span>(\d+)</span>', r.text)
# print(len(areas))
#通过Xpath定位(#<span>27000</span>,单价信息无法通过正则表达式定位)
html = etree.HTML(r.text)
infos = html.xpath('//*[@id="container"]/div[2]/div[1]/div[3]/*') # 通过xpath定位到指定位置
#print(len(infos))
for info in infos:
try:
tag = info.xpath('./div/a[4]/div/span/text()')[0].strip()
tags.append(tag)
except:
tags.append(np.nan)
try:
area = info.xpath('./div/a[2]/span/text()')[0].strip()
#print(area)
areas.append(area)
except:
areas.append(np.nan)
try:
unit = info.xpath('./a[2]/p/text()')[1].strip()
if ('元' in unit):
units.append(unit)
else:
unit = info.xpath('./a[2]/p[2]/text()')[1].strip()
units.append(unit)
except:
units.append(np.nan)
# unit = info.xpath('./a[2]/p/text()')[2].strip()
# units.append(unit)
try:
unit_price = info.xpath('./a[2]/p/span/text()')[0].strip()
unit_prices.append(unit_price)
except:
unit_prices.append(np.nan)
continue
except Exception as e: #异常处理
print(e)
return "产生异常"
获得的数据如下:
数据预处理及可视化
首先,从地址属性中提取房源所在区域的信息。首先来看一下最贵的房子,以为自己眼瞎了!!!!
赶紧到网站上求证一下:
原来如此。
fun = lambda x:x.split()[1]
dt['所在区'] = dt['地址'].map(fun)
从数量上来看,可以看出浦东的新房源最多。我们再来看看各个地方的均价,做个排序,结果如下:
暂时就简单的看看这些内容,以后有时间再继续深入分析。