学习python抓取数据——链家北京二手房数据

最近在学习用Python进行数据分析、机器学习，基本都是用现成数据集进行模型训练及验证，想用一些实际数据看一下效果，于是想到用Python尝试抓取一些实际数据。
目标：爬取链家网北京二手房房价、位置、面积等数据
环境：Python3.5.2，Anaconda4.2.0

1.准备工作

首先，导入所需要的库，主要有urllib.request、BeautifulSoup、Pandas、Numpy、re。

from urllib.request import urlopen
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import re

• urllib.request：打开和浏览url中内容。具体用法参见：https://docs.python.org/3/library/urllib.request.html#module-urllib.request
• BeautifulSoup：将html解析为对象进行处理，全部页面转变为字典或者数组，相对于正则表达式的方式，可以大大简化处理过程。具体用法参见：https://www.crummy.com/software/BeautifulSoup/bs4/doc/
• Pandas： Pandas 是python的一个数据分析包，提供了大量能使我们快速便捷地处理数据的函数和方法。 具体用法参见：https://pandas.pydata.org/
• Numpy：Numpy支持高级大量的维度数组与矩阵运算，针对数组运算提供大量的数学函数库。 具体用法参见：https://www.numpy.org/
• re：re是pyhton中实现正则表达式匹配操作的模块。具体用法参见：https://docs.python.org/3.5/library/re.html

2.抓取数据

首先，了解一下目标网站的URL结构，例如 https://bj.lianjia.com/ershoufang/dongcheng/pg2/

• bj表示城市，北京
• ershoufang是频道名称，二手房
• dongcheng是城区名称，东城区
• pg2是页面码，第二页
  

例如，我们要抓取北京各个区二手房频道，所以前面城市、频道名称不会变，属于固定部分；后面的城区要遍历北京各个区（东城、西城、朝阳…），页码需要在1-所选城区总页数间变化，属于可变部分。将URL分为两部分，前面的固定部分赋值给url，后面的可变部分用双层for循环遍历，外层循环遍历城区，内层循环遍历所选城区的页面。其中，需要获取所选城区包含的总页数，提取div标签中class=page-box fr的第一个子标签属性page-data的值。

chengqu={'dongcheng':'东城区','xicheng':'西城区','chaoyang':'朝阳区','haidian':'海淀区','fengtai':'丰台区','shijingshan':'石景山区', 'tongzhou':'通州区','changping':'昌平区','daxing':'大兴区','shunyi':'顺义区','fangshan':'房山区'}
for cq in chengqu.keys():
    url='https://bj.lianjia.com/ershoufang/'+cq+'/'   #组成所选城区的URL
    html=urlopen(url)
    bsObj=BeautifulSoup(html)  #解析抓取的页面内容
    total_page=re.sub('\D','',bsObj.find('div','page-box fr').contents[0].attrs['page-data'])[:-1]  #获取所选城区总页数
    print ('total_page',total_page)
    for j in np.arange(1,int(total_page)+1):
        page_url=url+'pg'+str(j)  #组成所选城区页面的URL

然后，使用BeautifulSoup对页面进行解析。

 page_html=urlopen(page_url)
 page_bsObj=BeautifulSoup(page_html)

接着，提取页面中的关键信息进行提取，主要对房屋信息、房屋位置、总价和单价进行提取。

依次把页面div标签中class为houseInfo、positionInfo、totalPrice、unitPrice的部分提取出来，用get_text()获取对应标签中的信息，其中houseInfo、positionInfo包含房屋的多种属性，用split()对其进行分列，只选取了houseInfo包含6个属性且positionInfo包含3个属性的数据。另外，对于单价用get_text()后得到“单价100748元/平米”，包含了文本和数字，用re.sub()正则匹配出数字部分。最后，依次把提取到的信息添加到对应列表中。

info=bsObj.findAll("div",{"class":"houseInfo"})
position_info=bsObj.findAll("div",{"class":"positionInfo"})
totalprice=bsObj.findAll("div",{"class":"totalPrice"})
unitprice=bsObj.findAll("div",{"class":"unitPrice"})

 house_loc=[]  #房屋所在小区
 house_type=[] #房屋户型
 house_area=[] #房屋面积
 house_direction=[] #房屋朝向
 house_decorating=[] #房屋装修
 house_lift=[] #有无电梯
 house_floor=[] #房屋楼层
 house_year=[] #建造年份
 house_position=[] #房屋位置
 t_price=[] #房屋总价
 u_price=[] #房屋单价

 for i_info,i_pinfo,i_tp,i_up in zip(info,position_info,totalprice,unitprice):
     if len(i_info.get_text().split('/'))==6 and len(i_pinfo.get_text().split('/'))==3:
         #分列houseinfo并依次获取房屋所在小区、户型、面积、朝向、装修、有无电梯各字段
         house_loc.append(i_info.get_text().split('/')[0])
         house_type.append(i_info.get_text().split('/')[1])
         house_area.append(i_info.get_text().split('/')[2][:-2])
         house_direction.append(i_info.get_text().split('/')[3].replace(' ',''))
         house_decorating.append(i_info.get_text().split('/')[4])
         house_lift.append(i_info.get_text().split('/')[5])
         #分列positioninfo并依次获房屋楼层、建造年份、位置各字段
         house_floor.append(i_pinfo.get_text().split('/')[0])
         house_year.append(i_pinfo.get_text().split('/')[1][:5])
         house_position.append(i_pinfo.get_text().split('/')[2])
         #获取房屋总价和单价
         t_price.append(i_tp.span.string)
         u_price.append(re.sub('\D','',i_up.get_text()))

将提取的数据导入pandas之中生成数据表。

#将数据导入pandas之中生成数据表
 house_data=pd.DataFrame()
 house_data[u'城区']=[chengqu[cq]]*len(house_loc)
 house_data[u'小区名称']=house_loc
 house_data[u'房型']=house_type
 house_data[u'面积']=house_area
 house_data[u'朝向']=house_direction
 house_data[u'装修']=house_decorating
 house_data[u'有无电梯']=house_lift
 house_data[u'楼层']=house_floor
 house_data[u'建造年份']=house_year
 house_data[u'位置']=house_position
 house_data[u'总价']=t_price
 house_data[u'单价']=u_price
 print (house_data)

将数据存入到csv中，便于后续分析。

house_data.to_csv('house_bj.csv', mode='a', header=False,ecoding='gb2312',index=None)

总共提取到北京11个区28560条二手房信息。

最后，附上完整代码~~

from urllib.request import urlopen
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import re

chengqu={'dongcheng':'东城区','xicheng':'西城区','chaoyang':'朝阳区','haidian':'海淀区','fengtai':'丰台区','shijingshan':'石景山区',
         'tongzhou':'通州区','changping':'昌平区','daxing':'大兴区','shunyi':'顺义区','fangshan':'房山区'}
for cq in chengqu.keys():
    url='https://bj.lianjia.com/ershoufang/'+cq+'/'   #组成所选城区的URL
    html=urlopen(url)
    bsObj=BeautifulSoup(html)
    total_page=re.sub('\D','',bsObj.find('div','page-box fr').contents[0].attrs['page-data'])[:-1]  #获取所选城区总页数
    print ('total_page',total_page)
    
    for j in np.arange(1,int(total_page)+1):
        page_url=url+'pg'+str(j)  #组成所选城区页面的URL
        #print (page_url)
        page_html=urlopen(page_url)
        page_bsObj=BeautifulSoup(page_html)
        info=bsObj.findAll("div",{"class":"houseInfo"})
        position_info=bsObj.findAll("div",{"class":"positionInfo"})
        totalprice=bsObj.findAll("div",{"class":"totalPrice"})
        unitprice=bsObj.findAll("div",{"class":"unitPrice"})
                
        house_loc=[]  #房屋所在小区
        house_type=[] #房屋户型
        house_area=[] #房屋面积
        house_direction=[] #房屋朝向
        house_decorating=[] #房屋装修
        house_lift=[] #有无电梯
        house_floor=[] #房屋楼层
        house_year=[] #建造年份
        house_position=[] #房屋位置
        t_price=[] #房屋总价
        u_price=[] #房屋单价

        for i_info,i_pinfo,i_tp,i_up in zip(info,position_info,totalprice,unitprice):
            if len(i_info.get_text().split('/'))==6 and len(i_pinfo.get_text().split('/'))==3:
                #分列houseinfo并依次获取房屋所在小区、户型、面积、朝向、装修、有无电梯各字段
                house_loc.append(i_info.get_text().split('/')[0])
                house_type.append(i_info.get_text().split('/')[1])
                house_area.append(i_info.get_text().split('/')[2][:-2])
                house_direction.append(i_info.get_text().split('/')[3].replace(' ',''))
                house_decorating.append(i_info.get_text().split('/')[4])
                house_lift.append(i_info.get_text().split('/')[5])
                #分列positioninfo并依次获房屋楼层、建造年份、位置各字段
                house_floor.append(i_pinfo.get_text().split('/')[0])
                house_year.append(i_pinfo.get_text().split('/')[1][:5])
                house_position.append(i_pinfo.get_text().split('/')[2])
                #获取房屋总价和单价
                t_price.append(i_tp.span.string)
                u_price.append(re.sub('\D','',i_up.get_text()))
        #将数据导入pandas之中生成数据表
        house_data=pd.DataFrame()
        house_data[u'城区']=[chengqu[cq]]*len(house_loc)
        house_data[u'小区名称']=house_loc
        house_data[u'房型']=house_type
        house_data[u'面积']=house_area
        house_data[u'朝向']=house_direction
        house_data[u'装修']=house_decorating
        house_data[u'有无电梯']=house_lift
        house_data[u'楼层']=house_floor
        house_data[u'建造年份']=house_year
        house_data[u'位置']=house_position
        house_data[u'总价']=t_price
        house_data[u'单价']=u_price
        #print (house_data)
        #将数据存入到csv中，便于后续分析
        house_data.to_csv('house_bj.csv', mode='a', header=False,ecoding='gb2312',index=None)