腾讯课堂 | Python网络爬虫与文本分析(现在只需198元)~~

新房数据，对于房地产置业者来说是买房的重要参考依据，对于房地产开发商来说，也是分析竞争对手项目的绝佳途径，对于房地产代理来说，是踩盘前的重要准备。

今天J哥以「惠民之家」为例，手把手教你利用Python将惠州市新房数据批量抓取下来，共采集到近千个楼盘，包含楼盘名称、销售价格、主力户型、开盘时间、容积率、绿化率等「41个字段」。数据预览如下：

后台回复「新房」二字，可领取本文代码。

项目目标

惠民之家首页网址：

http://www.fz0752.com/

新房列表网址：

http://www.fz0752.com/project/list.shtml

选择一个新房并点击「详情信息」即可找到目标字段：

项目准备

软件：Pycharm

第三方库：requests,fake_useragent，lxml

网站地址：http://www.fz0752.com/

网页分析

列表页分析

打开新房列表网页，点击「下一页」后，网址变成：

http://www.fz0752.com/project/list.shtml?state=&key=&qy=&area=&danjia=&func=&fea=&type=&kp=&mj=&sort=&pageNO=2

很显然，这是静态网页，翻页参数为「pageNO」，区域参数为「qy」，其余参数也很好理解，点击对应筛选项即可发现网页链接变化。咱们可以通过遍历区域和页码，将新房列表的房源URL提取下来，再遍历这些URL，抓取到每个房源的详情信息。

详情页分析

选择一个新房URL，点击进去，链接如下：

http://newhouse.fz0752.com/fontHtml/html/project/00020170060.html

即这个新房的id为「00020170060」，再点击详情信息，链接变为：

http://newhouse.fz0752.com/project/detail.shtml?num=20170060

即这个新房的「详情信息」的id为「20170060」，我们可以大胆假设这个id就是新房id截取的一部分。多找几个新房点击尝试，很容易验证这个规律。

反爬分析

相同的ip地址频繁访问同一个网页会有被封风险，本文采用fake_useragent，将随机生成的User-Agent请求头去访问网页，将减少ip封锁的风险。

代码实现

导入爬虫相关库，定义一个主函数，构建区域列表（不同区域对应不用的区域id），遍历并用requests去请求由区域参数和页码参数拼接的URL。这里将页码设置50上限，当遍历的某个房源URL长度为0（即不存在新房数据）时，直接break，让程序进行下一个区域的遍历，直至所有数据抓取完毕，程序停止。

# -*- coding = uft-8 -*-
# @Time : 2020/12/21 9:29 下午
# @Author : J哥
# @File : newhouse.py

import csv
import time
import random
import requests
import traceback
from lxml import etree
from fake_useragent import UserAgent

def main():
    #46:惠城区，47：仲恺区，171：惠阳区，172：大亚湾，173：博罗县，174：惠东县，175：龙门县
    qy_list = [46,47,171,172,173,174,175]
    for qy in qy_list:   #遍历区域
        for page in range(1,50):   #遍历页数
            url = f'http://www.fz0752.com/project/list.shtml?state=&key=&qy={qy}&area=&danjia=&func=&fea=&type=&kp=&mj=&sort=&pageNO={page}'
            response = requests.request("GET", url, headers = headers,timeout = 5)
            print(response.status_code)
            if response.status_code == 200:
                re = response.content.decode('utf-8')
                print("正在提取" + str(qy) +'第' + str(page) + "页")
                #time.sleep(random.uniform(1, 2))
                print("-" * 80)
                # print(re)
                parse = etree.HTML(re)
                get_href(parse,qy)
                num = ''.join(parse.xpath('//*[@id="parent-content"]/div/div[6]/div/div[1]/div[2]/div[1]/div[2]/div[1]/div[1]/a/@href'))
                print(len(num))
                if len(num) == 0:
                    break

if __name__ == '__main__':
    ua = UserAgent(verify_ssl=False)
    headers = {"User-Agent": ua.random}
    time.sleep(random.uniform(1, 2))
    main()

发送请求，获取新房列表网页，并解析到所有新房URL，同时将新房id替换为详情信息id。在程序运行中发现有少数新房URL不一致，因此这里做了判断，修改后可以获取完整的详情信息id，并拼接出对应的URL。

def get_href(parse,qy):
    items = parse.xpath('//*[@id="parent-content"]/div/div[6]/div/div[1]/div[2]/div')
    try:
        for item in items:
            href = ''.join(item.xpath('./div[2]/div[1]/div[1]/a/@href')).strip()
            print("初始href为：",href)
            #print(len(href))
            if len(href) > 25:
                href1 = 'http://newhouse.fz0752.com/project/detail.shtml?num=' + href[52:].replace(".html","")
            else:
                href1 = 'http://newhouse.fz0752.com/project/detail.shtml?num=' + href[15:]
            print("详情href为：",href1)
            try:
                get_detail(href1,qy)
            except:
                pass
    except Exception:
        print(traceback.print_exc())

打印结果如下：

详情信息URL找到后，定义一个函数去请求详情页数据，同时携带qy参数，最后将其保存到csv中。

def get_detail(href1,qy):
    time.sleep(random.uniform(1, 2))
    response = requests.get(href1, headers=headers,timeout = 5)
    if response.status_code == 200:
        source = response.text
        html = etree.HTML(source)

开始解析详情页中的各个字段，这里用到xpath进行数据解析，由于需要解析的字段太多，高达41个，限于篇幅，以下仅给出部分字段解析代码。当然，其他字段解析基本一样。

#项目状态
try:
    xmzt = html.xpath('//*[@id="parent-content"]/div/div[3]/div[3]/div[1]/div[1]/text()')[0].strip()
except:
    xmzt = None
#项目名称
try:
    name = html.xpath('//*[@id="parent-content"]/div/div[3]/div[3]/div[1]/h1/text()')[0].strip()
except:
    name = None
#项目简介
ps = html.xpath('//*[@id="parent-content"]/div/div[3]/div[5]/div[2]/div')
for p in ps:
    try:
        xmjj = p.xpath('./p[1]/text()')[0].strip()
    except:
        xmjj = None
infos = html.xpath('//*[@id="parent-content"]/div/div[3]/div[5]/div[1]/div/table/tbody')
for info in infos:
    #行政区域
    try:
        xzqy = info.xpath('./tr[1]/td[1]/text()')[0].strip()
    except:
        xzqy = None
    #物业类型
    try:
        wylx = info.xpath('./tr[2]/td[1]/text()')[0].strip()
    except:
        wylx = None
    #销售价格
    try:
        xsjg = info.xpath('./tr[3]/td[1]/text()')[0].strip()
    except:
        xsjg = None
	······
	data = {
	    'xmzt':xmzt,
	    'name':name,
	    'xzqy':xzqy,
	    ······
	    'qy':qy
	}
	print(data)

解析完数据后，将其置于字典中，打印结果如下：然后追加保存为csv：

try:
    with open('hz_newhouse.csv', 'a', encoding='utf_8_sig', newline='') as fp:
        fieldnames = ['xmzt','name','xzqy',······,'qy']
        writer = csv.DictWriter(fp, fieldnames = fieldnames)
        writer.writerow(data)
except Exception:
    print(traceback.print_exc())

当然，我们也可以读取csv文件，并写入Excel：

df = pd.read_csv("newhouse.csv",names=['name','xzqy','wylx',······,'state'])
df = df.drop_duplicates()
df.to_excel("newhouse.xlsx",index=False)

总结

1. 本文基于Python爬虫技术，提供了一种更直观的抓取新房数据的方法。

2. 不建议抓取太多，容易使得服务器负载，浅尝辄止即可。

   
   

   如需本文完整代码，

   爬虫代码链接:https://pan.baidu.com/s/1OPwQ2YeX1BmzXy0lBoT2xw  密码:v0il