python爬虫爬取安居客并进行简单数据分析

此篇博客为普通方式爬取安居客租房数据一共提取出1200条，但是在进行大规模的数据爬取时，不建议使用这种方式,速度太慢是最大的诟病,在进行大规模爬取时，使用分布式爬虫是第一选择

爬取过程
一、指定爬取数据
二、设置请求头防止反爬
三、分析页面并且与网页源码进行比对
四、分析页面整理数据
五、保存到excel表中
六、使用jupyternotebook进行简单的数据分析

一、指定爬取数据

需求:
提取价格、面积、详细标题、名称、具体位置、房屋结构、装修情况

二、设置请求头

这里设置请求头依然使用最常见的 user-agent和cookie值作为反爬头，但是在实际操作中，由于爬取数据太快可能会导致ip被禁,一开始我也被封过一次。。。。。奇迹的是后来隔了一天打开之后就可以畅通无阻的爬取,但是最保险的方式还是设置一个代理ip防止被封免费的代理大家可以去快代理去尝试,土豪就除外了。

三、分析页面与源码比对

通过对源码的分析,发现页面对数字进行了一个加密。如图

接下来就要对字体进行一个解密
通过查看网页得知,网页上所有的数字都进行了加密,因此提取价格以及房屋结构首先都要对数字进行解密

第一步 分析

字体加密一般都涉及到字体文件,字体文件后面一般为 woff和ttf，字体文件可以在网页源码中找到

在这里我们看到了base64说明这些字符串都是通过base64编码过,这些字符串就是字体映射的内容

第二步 创建、打开文件,查找映射关系
1.创建文件代码

fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]
fontent = base64.b64decode(fontdata)
f = open("t5.woff", 'wb')
f.write(fontent)
f.close()`

fontdata为bs64编码过后的字符串

2.用TTFont打开文件并保存为xml格式

 fonts = TTFont('t5.woff')
 fonts.saveXML('test8.xml')

3.查看文件并找到索引关系

<cmap>
    <tableVersion version="0"/>
    <cmap_format_4 platformID="0" platEncID="3" language="0">
      <map code="0x9476" name="glyph00008"/><!-- CJK UNIFIED IDEOGRAPH-9476 -->
      <map code="0x958f" name="glyph00003"/><!-- CJK UNIFIED IDEOGRAPH-958F -->
      <map code="0x993c" name="glyph00002"/><!-- CJK UNIFIED IDEOGRAPH-993C -->
      <map code="0x9a4b" name="glyph00006"/><!-- CJK UNIFIED IDEOGRAPH-9A4B -->
      <map code="0x9e3a" name="glyph00009"/><!-- CJK UNIFIED IDEOGRAPH-9E3A -->
      <map code="0x9ea3" name="glyph00005"/><!-- CJK UNIFIED IDEOGRAPH-9EA3 -->
      <map code="0x9f64" name="glyph00010"/><!-- CJK UNIFIED IDEOGRAPH-9F64 -->
      <map code="0x9f92" name="glyph00001"/><!-- CJK UNIFIED IDEOGRAPH-9F92 -->
      <map code="0x9fa4" name="glyph00004"/><!-- CJK UNIFIED IDEOGRAPH-9FA4 -->
      <map code="0x9fa5" name="glyph00007"/><!-- CJK UNIFIED IDEOGRAPH-9FA5 -->
       <GlyphID id="0" name="glyph00000"/>
    <GlyphID id="1" name="glyph00001"/>
    <GlyphID id="2" name="glyph00002"/>
    <GlyphID id="3" name="glyph00003"/>
    <GlyphID id="4" name="glyph00004"/>
    <GlyphID id="5" name="glyph00005"/>
    <GlyphID id="6" name="glyph00006"/>
    <GlyphID id="7" name="glyph00007"/>
    <GlyphID id="8" name="glyph00008"/>
    <GlyphID id="9" name="glyph00009"/>
    <GlyphID id="10" name="glyph00010"/>

列如
&#x9fa4；
&#对应code码的0 code码为x9fa4的name为glyph00004，匹配name为glyph00004的id值为4，在去匹配网页对应的数字发现需要将id值减去1,因此在写代码时提取出name最后一个数字减去1就可以匹配到数字

字体反爬代码

fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]
    fontent = base64.b64decode(fontdata)
    f = open("t5.woff", 'wb')
    f.write(fontent)
    f.close()
    fonts = TTFont('t5.woff')
    fonts.saveXML('test8.xml')
    root = et.parse('test8.xml').getroot()
    con = root.find('cmap').find('cmap_format_4').findall('map')
    for i in con:
        names = i.attrib['name']
        code = i.attrib['code'].replace('0x', '&#x') + ';'
        c1 = re.findall(r'\d+', names)
        c2 = str(int(c1[0]) - 1)
        content = content.replace(code, c2)
    return content

四、分析页面整理数据

将字体解密后通过分析页面就可以提取出价格、房屋结构和面积的数据,通过xpath定位的方式定位到每一个爬取数据的位置

def lxmldata(data):
    datas =etree.HTML(data)
    list1 = []
    date=datas.xpath("//div[@class='list-content']//div[@class='zu-itemmod']")
    for i,dates in enumerate (date):
        dict = {}
        #价格
        price1 = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)
        price = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)[i]
        #面积
        size = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[2:len(price1)*3:3][i]
        #房屋结构
        fangjian1 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[0:len(price1)*3:3][i]
        fangjian2 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[1:len(price1)*3:3][i]
        #详细标题
        title=dates.xpath(".//div[@class='zu-info']//b/text()")
        #名称
        map = dates.xpath(".//address[@class='details-item']/a/text()")
        #具体位置
        local = dates.xpath(".//address[@class='details-item']/text()")
        local = [x.strip() for x in local]
        #装修情况
        zhuangxiu = dates.xpath(".//p[@class='details-item bot-tag']//span[@class='cls-1']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-2']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-3']/text()")
        dict['价格']=str(fanpa1(price,data))+'元/月'
        dict['面积']=str(fanpa1(size,data))+'平方米'
        dict["详细标题"]=title[0]
        dict['名称']=map[0]
        dict["具体位置"]=local[1]
        dict['房间结构']=fanpa1(fangjian1,data)+'室'+fanpa1(fangjian2,data)+'厅'
        if len(zhuangxiu)==3:
            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]+','+zhuangxiu[2]
        elif len(zhuangxiu)==2:
            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]
        else:
            dict["装修情况"] = zhuangxiu[0]
        list1.append(dict)
    return list1

第五步 保存到excel表
设置7个字段分别为[‘价格’,‘面积’,‘详细标题’,‘名称’,‘具体位置’,‘房间结构’,‘装修情况’]
代码如下

def save(list):
    filename = "C:/Users/xxx/Desktop/安居客二十页.xls"
    book = xlwt.Workbook()
    sheet1=book.add_sheet("sheet1")
    header = ['价格','面积','详细标题','名称','具体位置','房间大小','装修情况']
    for i in range(len(header)):
        sheet1.write(0,i,header[i])
    j = 1
    for i in list:
        sheet1.write(j,0,i['价格'])
        sheet1.write(j,1,i['面积'])
        sheet1.write(j,2,i['详细标题'])
        sheet1.write(j,3,i['名称'])
        sheet1.write(j,4,i['具体位置'])
        sheet1.write(j,5,i['房间大小'])
        sheet1.write(j,6,i['装修情况'])
        j = j+1
    book.save(filename)
    print("写入成功")

list是传入的数据，list=lxmldata

总代码

import requests
from lxml import etree
import random
import time
from selenium import webdriver
import base64
import base64
import re
import xml.etree.ElementTree as et
from fontTools.ttLib import TTFont
from fontTools.ttLib import TTFont
import xlwt
#字体反扒
def fanpa1(content,html):
    fontdata = re.findall("charset=utf-8;base64,(.*?)'\) format",html,re.S)[0]
    fontent = base64.b64decode(fontdata)
    f = open("t5.woff", 'wb')
    f.write(fontent)
    f.close()
    fonts = TTFont('t5.woff')
    fonts.saveXML('test8.xml')
    root = et.parse('test8.xml').getroot()
    con = root.find('cmap').find('cmap_format_4').findall('map')
    for i in con:
        names = i.attrib['name']
        code = i.attrib['code'].replace('0x', '&#x') + ';'
        c1 = re.findall(r'\d+', names)
        c2 = str(int(c1[0]) - 1)
        content = content.replace(code, c2)
    return content
#分析页面
def lxmldata(data):
    datas =etree.HTML(data)
    list1 = []
    date=datas.xpath("//div[@class='list-content']//div[@class='zu-itemmod']")
    for i,dates in enumerate (date):
        dict = {}
        #价格
        price1 = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)
        price = re.findall('<p><strong><b class="strongbox">(.*?)</b></strong> 元/月</p>', data, re.S)[i]
        #面积
        size = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[2:len(price1)*3:3][i]
        #房屋结构
        fangjian1 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[0:len(price1)*3:3][i]
        fangjian2 = re.findall('<b class="strongbox" style="font-weight: normal;">(.*?)</b>', data, re.S)[1:len(price1)*3:3][i]
        #详细标题
        title=dates.xpath(".//div[@class='zu-info']//b/text()")
        #名称
        map = dates.xpath(".//address[@class='details-item']/a/text()")
        #具体位置
        local = dates.xpath(".//address[@class='details-item']/text()")
        local = [x.strip() for x in local]
        #装修情况
        zhuangxiu = dates.xpath(".//p[@class='details-item bot-tag']//span[@class='cls-1']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-2']/text()")+dates.xpath(".//p[@class='details-item bot-tag']/span[@class='cls-3']/text()")
        dict['价格']=str(fanpa1(price,data))+'元/月'
        dict['面积']=str(fanpa1(size,data))+'平方米'
        dict["详细标题"]=title[0]
        dict['名称']=map[0]
        dict["具体位置"]=local[1]
        dict['房间结构']=fanpa1(fangjian1,data)+'室'+fanpa1(fangjian2,data)+'厅'
        if len(zhuangxiu)==3:
            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]+','+zhuangxiu[2]
        elif len(zhuangxiu)==2:
            dict["装修情况"]=zhuangxiu[0]+','+zhuangxiu[1]
        else:
            dict["装修情况"] = zhuangxiu[0]
        list1.append(dict)
    return list1
def save(list):
    filename = "C:/Users/孟尚宇/Desktop/安居客二十页.xls"
    book = xlwt.Workbook()
    sheet1=book.add_sheet("sheet1")
    header = ['价格','面积','详细标题','名称','具体位置','房间大小','装修情况']
    for i in range(len(header)):
        sheet1.write(0,i,header[i])
    j = 1
    for i in list:
        sheet1.write(j,0,i['价格'])
        sheet1.write(j,1,i['面积'])
        sheet1.write(j,2,i['详细标题'])
        sheet1.write(j,3,i['名称'])
        sheet1.write(j,4,i['具体位置'])
        sheet1.write(j,5,i['房间大小'])
        sheet1.write(j,6,i['装修情况'])
        j = j+1
    book.save(filename)
    print("写入成功")

if __name__ == '__main__':
    headers = {
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36",
        "cookie":"aQQ_ajkguid=C1CC68B8-4D19-287F-3644-2D367108DEC0; id58=e87rkF/LkOJmpXJnEm4JAg==; 58tj_uuid=a6d935e2-5506-4369-9370-d4081b424818; ctid=49; _ga=GA1.2.1998955085.1607386984; _gid=GA1.2.1925540573.1607386984; new_uv=2; als=0; cmctid=2053; wmda_new_uuid=1; wmda_uuid=aa760fc62c405eecb84c273b7206beed; wmda_visited_projects=%3B6289197098934; xxzl_cid=090b7011f13f44c8b3d9271ce16587b3; xzuid=ad62da25-6302-4e3e-992e-eea22f2d9d02; lps=https%3A%2F%2Fhai.zu.anjuke.com%2Ffangyuan%2Fp2%2F%3Ffrom_price%3D0%26to_price%3D2500an%7Chttps%3A%2F%2Fcallback.58.com%2F; wmda_session_id_6289197098934=1607426591062-bdd0135e-4c1f-a60c; xzfzqtoken=lbhfULbvUI2tmDmR%2By8o2XgL%2FoD%2Fi8pTDHftNbKQZZ3J9dDc2%2BiE91mVlKbcur5Hin35brBb%2F%2FeSODvMgkQULA%3D%3D",
        "path":"/fangyuan/p2/?from_price=0&to_price=2500an"
    }
    dict2 = []
    dict1 = []
    for i in range(20):
        url = "https://hai.zu.anjuke.com/fangyuan/p{}/".format(i+1)
        resopnse=requests.get(url=url,headers=headers).content.decode('utf-8')
        list=lxmldata(resopnse)
        dict1.append(list)
        print("第"+str(i)+"页数据完成")
    for j in dict1:
        for k in j:
            dict2.append(k)
    save(dict2)

第六步进行简单的数据分析

分析目标：挑选出安居客2000-4000的并且面积大于100平米的房子

第一步导入数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data2=pd.read_excel(r"C:\Users\xxx\Desktop\安居客二十页.xls")

第二步 找出详细标题重复值并删掉

data2.drop_duplicates(subset=['详细标题'],inplace=True)

第三步删除存在缺失值的某行

data2.dropna(how='any',axis=0)

第四步 挑选出有电梯的房子
定义一个函数如果有电梯在’房屋结构’这一字段数据中，则返回True
之后用布尔索引挑选出数据

def home(s):
    if '有电梯' in s:
        return True
    else:
        return False
data2['房屋结构']=data2['房屋结构'].map(home)
data2=data2[data2['房屋结构']==1]

第五步 找出 三室一厅 三室二厅的房子

data2=data2[(data2['房间大小']=='3室2厅') | (data2['房间大小']=='3室1厅')]

第六步对价格进行分类
对价格分类 500-1000 1000-2000 2000-3000 3000 -4000 4000+

#把字符串后的汉字去掉
data2['价格']=data2['价格'].str.split("元",expand=True).iloc[:,0]
data2['价格']=data2['价格'].astype(int)
grooups=pd.cut(data2['价格'],bins=[500,1000,2000,3000,4000,10000],labels = ['500-1000','1000-2000','2000-3000','3000-4000','4000+'])
data2['价格范围']=grooups

第七步 找出价格为2000-4000的并且面积大于100平米的房子

data2= data2[(data2['价格范围']=='2000-3000')| (data2['价格范围']=='3000-4000')]
data2['面积']=data2['面积'].str.split("平",expand=True).iloc[:,0]
data2['面积']=data2['面积'].astype(float)
groups=pd.cut(data2['面积'],bins = [0,100,100000000000000],labels=['0-100','100-'])
data2['面积范围']=groups

第八步 根据序号找出对应的数据

s=data2[data2['面积范围']=='100-'].index
data=pd.read_excel(r"C:\Users\xxx\Desktop\安居客二十页.xls")
a=list(s)
a = tuple(a)
data3=data.loc[a,:]