概述
前言
统计结果
爬虫技术分析
爬虫代码实现
爬虫分析实现
后记
前言
最近各大一二线城市的房租都有上涨，究竟整体上涨到什么程度呢?我们也不得而知，于是乎 zone 为了一探究竟，便用 Python 爬取了房某下的深圳的租房数据，以下是本次的样本数据：
样本数据
除去【不限】的数据(因为可能会与后面重叠)，总数据量为 16971 ，其中后半部分地区数据量偏少，是由于该区房源确实不足。因此，此次调查也并非非常准确，权且当个娱乐项目，供大家观赏。
统计结果
我们且先看统计结果，然后再看技术分析。
深圳房源分布：(按区划分)
其中福田与南山的房源分布是最多的。但这两块地的房租可是不菲啊。
房源分布
房租单价：(每月每平方米单价 -- 平均数)
即是 1 平方米 1 个月的价格。方块越大，代表价格越高。
房租单价：平方米/月
可以看出福田与南山是独占鳌头，分别是 114.874 与 113.483 ，是其他地区的几倍。如果租个福田 20 平方的房间：
114.874 x 20 = 2297.48
再来个两百的水电、物业：
2297.48 + 200 = 2497.48
我们节俭一点来算的话，每天早餐 10 块，中午 25 块，晚饭 25 块：
2497.48 + 50 x 30 = 3997.48
是的，仅仅是活下来就需要 3997.48 块。
隔断时间下个馆子，每个月买些衣服，交通费，谈个女朋友，与女朋友出去逛街，妥妥滴加个 3500
3997.48 + 3500 = 7497.48
给爸妈一人一千：
7497.48 + 2000 = 9497.48
月薪一万妥妥滴，变成了月光族。
房租单价：(每日每平方米单价 -- 平均数)
即是 1 平方米 1 天的价格。
租房单价：平方米/日
以前在乡下没有寸土寸金的感觉，那么可以到北上广深体验一下，福田区每平方米每天需要 3.829 元。[捂脸]
户型
户型主要以 3 室 2 厅与 2 室 2 厅为主。与小伙伴抱团租房是最好的选择了，不然与不认识的人一起合租，可能会发生一系列让你不舒服的事情。字体越大，代表户型数量越多。
户型
租房面积统计
其中 30 - 90 平方米的租房占大多数，如今之计，也只能是几个小伙伴一起租房，抱团取暖了。
租房面积统计
租房描述词云
这是爬取的租房描述，其中字体越大，标识出现的次数越多。其中【精装修】占据了很大的部分，说明长租公寓也占领了很大一部分市场。
租房描述
爬虫思路
先爬取房某下深圳各个板块的数据，然后存进 MongoDB 数据库，最后再进行数据分析。
各个板块
数据库部分数据：
/* 1 */{"_id": ObjectId("5b827d5e8a4c184e63fb1325"),"traffic":"距沙井电子城公交站约567米。",//交通描述 "address":"宝安-沙井-名豪丽城",//地址 "price":3100,//价格 "area":110,//面积 "direction":"朝南\r\n ",//朝向 "title":"沙井 名豪丽城精装三房 家私齐拎包住 高层朝南随时看房",//标题 "rooms":"3室2厅",//户型 "region":"宝安"//地区 }
爬虫技术分析
请求库：requests
HTML 解析：BeautifulSoup
词云：wordcloud
数据可视化：pyecharts
数据库：MongoDB
数据库连接：pymongo
爬虫代码实现
首先右键网页，查看页面源码，找出我们要爬取得部分。
源码
代码实现，由于篇幅原因只展示主要代码：(获取一个页面的数据)
def getOnePageData(self, pageUrl, reginon="不限"): rent = self.getCollection(self.region) self.session.headers.update({'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36'})res= self.session.get( pageUrl ) soup = BeautifulSoup(res.text,"html.parser") divs = soup.find_all("dd", attrs={"class":"info rel"}) # 获取需要爬取得 divfordiv in divs:ps= div.find_all("p")try: # 捕获异常，因为页面中有些数据没有被填写完整，或者被插入了一条广告，则会没有相应的标签，所以会报错forindex,pin enumerate(ps): # 从源码中可以看出，每一条p标签都有我们想要的信息，故在此遍历p标签， text =p.text.strip()print(text) # 输出看看是否为我们想要的信息print("===================================") # 爬取并存进 MongoDB 数据库 roomMsg =ps[1].text.split("|") # rentMsg 这样处理是因为有些信息未填写完整，导致对象报空 area = roomMsg[2].strip()[:len(roomMsg[2]) -2] rentMsg = self.getRentMsg(ps[0].text.strip(), roomMsg[1].strip(),int(float(area)),int(ps[len(ps) -1].text.strip()[:len(ps[len(ps) -1].text.strip()) -3]),ps[2].text.strip(),ps[3].text.strip(),ps[2].text.strip()[:2], roomMsg[3], ) rent.insert(rentMsg) except:continue
数据分析实现
数据分析：
# 求一个区的房租单价(平方米/元) defgetAvgPrice(self, region):areaPinYin = self.getPinyin(region=region) collection = self.zfdb[areaPinYin] totalPrice = collection.aggregate([{'$group': {'_id':'$region','total_price': {'$sum':'$price'}}}]) totalArea = collection.aggregate([{'$group': {'_id':'$region','total_area': {'$sum':'$area'}}}]) totalPrice2 = list(totalPrice)[0]["total_price"] totalArea2 = list(totalArea)[0]["total_area"]returntotalPrice2 / totalArea2# 获取各个区 每个月一平方米需要多少钱 defgetTotalAvgPrice(self):totalAvgPriceList = [] totalAvgPriceDirList = []forindex, regioninenumerate(self.getAreaList()): avgPrice = self.getAvgPrice(region) totalAvgPriceList.append(round(avgPrice,3)) totalAvgPriceDirList.append({"value": round(avgPrice,3),"name": region +" "+ str(round(avgPrice,3))})returntotalAvgPriceDirList# 获取各个区 每一天一平方米需要多少钱 defgetTotalAvgPricePerDay(self):totalAvgPriceList = []forindex, regioninenumerate(self.getAreaList()): avgPrice = self.getAvgPrice(region) totalAvgPriceList.append(round(avgPrice /30,3))return(self.getAreaList(), totalAvgPriceList)# 获取各区统计样本数量 defgetAnalycisNum(self):analycisList = []forindex, regioninenumerate(self.getAreaList()): collection = self.zfdb[self.pinyinDir[region]] print(region) totalNum = collection.aggregate([{'$group': {'_id':'','total_num': {'$sum':1}}}]) totalNum2 = list(totalNum)[0]["total_num"] analycisList.append(totalNum2)return(self.getAreaList(), analycisList)# 获取各个区的房源比重 defgetAreaWeight(self):result = self.zfdb.rent.aggregate([{'$group': {'_id':'$region','weight': {'$sum':1}}}]) areaName = [] areaWeight = []foriteminresult:ifitem["_id"]inself.getAreaList(): areaWeight.append(item["weight"]) areaName.append(item["_id"]) print(item["_id"]) print(item["weight"])# print(type(item)) return(areaName, areaWeight)# 获取 title 数据，用于构建词云 defgetTitle(self):collection = self.zfdb["rent"] queryArgs = {} projectionFields = {'_id':False,'title':True}# 用字典指定需要的字段 searchRes = collection.find(queryArgs, projection=projectionFields).limit(1000) content =''forresultinsearchRes: print(result["title"]) content += result["title"]returncontent# 获取户型数据(例如：3 室 2 厅) defgetRooms(self):results = self.zfdb.rent.aggregate([{'$group': {'_id':'$rooms','weight': {'$sum':1}}}]) roomList = [] weightList = []forresultinresults: roomList.append(result["_id"]) weightList.append(result["weight"])# print(list(result)) return(roomList, weightList)# 获取租房面积 defgetAcreage(self):results0_30 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':0,'$lte':30}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results30_60 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':30,'$lte':60}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results60_90 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':60,'$lte':90}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results90_120 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':90,'$lte':120}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results120_200 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':120,'$lte':200}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results200_300 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':200,'$lte':300}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results300_400 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':300,'$lte':400}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results400_10000 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt':300,'$lte':10000}}}, {'$group': {'_id':'','count': {'$sum':1}}} ]) results0_30_ = list(results0_30)[0]["count"] results30_60_ = list(results30_60)[0]["count"] results60_90_ = list(results60_90)[0]["count"] results90_120_ = list(results90_120)[0]["count"] results120_200_ = list(results120_200)[0]["count"] results200_300_ = list(results200_300)[0]["count"] results300_400_ = list(results300_400)[0]["count"] results400_10000_ = list(results400_10000)[0]["count"] attr = ["0-30平方米","30-60平方米","60-90平方米","90-120平方米","120-200平方米","200-300平方米","300-400平方米","400+平方米"] value = [ results0_30_, results30_60_, results60_90_, results90_120_, results120_200_, results200_300_, results300_400_, results400_10000_ ]return(attr, value)
数据展示：
# 展示饼图 defshowPie(self, title, attr, value):frompyechartsimportPie pie = Pie(title) pie.add("aa", attr, value, is_label_show=True) pie.render()# 展示矩形树图 defshowTreeMap(self, title, data):frompyechartsimportTreeMap data = data treemap = TreeMap(title, width=1200, height=600) treemap.add("深圳", data, is_label_show=True, label_pos='inside', label_text_size=19) treemap.render()# 展示条形图 defshowLine(self, title, attr, value):frompyechartsimportBar bar = Bar(title) bar.add("深圳", attr, value, is_convert=False, is_label_show=True, label_text_size=18, is_random=True,# xaxis_interval=0, xaxis_label_textsize=9, legend_text_size=18, label_text_color=["#000"]) bar.render()# 展示词云 defshowWorkCloud(self, content, image_filename, font_filename, out_filename):d = path.dirname(__name__)# content = open(path.join(d, filename), 'rb').read() # 基于TF-IDF算法的关键字抽取, topK返回频率最高的几项, 默认值为20, withWeight # 为是否返回关键字的权重 tags = jieba.analyse.extract_tags(content, topK=100, withWeight=False) text =" ".join(tags)# 需要显示的背景图片 img = imread(path.join(d, image_filename))# 指定中文字体, 不然会乱码的 wc = WordCloud(font_path=font_filename, background_color='black',# 词云形状， mask=img,# 允许最大词汇 max_words=400,# 最大号字体，如果不指定则为图像高度 max_font_size=100,# 画布宽度和高度，如果设置了msak则不会生效 # width=600, # height=400, margin=2,# 词语水平摆放的频率，默认为0.9.即竖直摆放的频率为0.1 prefer_horizontal=0.9) wc.generate(text) img_color = ImageColorGenerator(img) plt.imshow(wc.recolor(color_func=img_color)) plt.axis("off") plt.show() wc.to_file(path.join(d, out_filename))# 展示 pyecharts 的词云 defshowPyechartsWordCloud(self, attr, value):frompyechartsimportWordCloud wordcloud = WordCloud(width=1300, height=620) wordcloud.add("", attr, value, word_size_range=[20,100]) wordcloud.render()
后记
最近还真是挺多事情发生的，房租的暴涨，其实是资本力量进驻了租房市场。自如、蛋壳这些长租公寓，相互抬高房租价格，而且让客户签第三方贷款协议，前期发展可能需要一点钱，但是到后期垄断市场之后，只要住房刚需在，就不会赚不回钱。最后，应对外界条件的变动，我们还是应该提升自己的硬实力，这样才能提升自己的生存能力。