python采集链家二手房信息

 

都说现在的房价很高，具体有多高呢，我们一起来看看。

 

现在网上关于房子的价格以及交易信息鱼龙混杂，与实际情况相差比较大，目前链家平台的数据应该是相对比较可靠的，所以这次我们就打算去链家爬一爬。

 

说到爬虫，前面也有说过，无非就三个主要的步骤

 

1、获取目标网页或接口

 

2、从目标网页或接口中解析并提炼出你要的数据字段

 

3、数据保存

 

我们今天就以链家平台上北京地区二手房为例，首先是打开目标网页。

https://bj.lianjia.com/ershoufang/

网页下面有分页，一共提供了 100 页数据，也就是说这 100 页都是我们的目标网页，所以第一件事就是要获取到总页数。

 

打开开发者模式可以看到，有个字段 totalPage 字段，这个字段就是总页数，如下图。

 

 

有了总页数之后呢，接下来就是要对这 100 个页面循环解析了，把我们要的字段和数据都解析出来。

 

为了获取更详细的数据，这里我们进入到详情页去解析数据，同样打开开发者模式，看到有总价 total（总价）、unitPriceValue（单价）、areaName（位置）等字段，这些就是我们要获取的主要字段。

 

 

解析得到字段数据后，就要把数据保存起来，保存数据的方式一般有保存到数据库（Mysql、MongoDB）和保存到本地文件（txt、excel、csv），为了方便起见，这里我们将数据只保存到本地 csv 文件。

 

 

上面说的就是这个爬虫的大致过程，下面是一段主要代码，在公众号后台回复关键字【链家】可获取完整代码，有需要 csv 文件数据的也可以后台私信联系我哈。

 

    def getContent(self, url):
        totalPage = self.getTotalPage(url)
        totalPage = 2 #为了方便调试，我这里把总页数写死了
        # 循环处理每个目标页面
        for pageNum in range(1, totalPage+1 ):
            url = "https://bj.lianjia.com/ershoufang/pg{}/".format(pageNum)
            print("正在获取第{}页数据: {}".format(pageNum,url))
            response = requests.get(url, headers = self.headers)
            soup = BeautifulSoup(response.text, "html.parser")
            links = soup.find_all("div", class_ = "info clear")
            for i in links:
                link = i.find("a")["href"]
                detail = self.parseDetail(link)
                self.datas.append(detail)
                #为了防止反爬限制休眠1s
                time.sleep(1)

        # 数据存储到csv文件中
        data = pd.DataFrame(self.datas)
        # 自定义字段
        columns = ["小区", "户型", "面积", "价格", "单价", "朝向", "电梯", "位置", "地铁"]
        data.to_csv("./lianjiaData.csv", encoding='utf_8_sig', index=False, columns=columns)