Python实现爬取房源信息的示例详解

第Python实现爬取房源信息的示例详解目录前言分析页面，寻找切入点爬取数据整理数据，导出文件

前言

最近由于工作突然变动，新的办公地点离现在的住处很远，必须要换房子租了。

我坐上中介的小电驴，开始探索城市各处的陌生角落。

在各个租房app之间周转的过程中，我属实有些焦头烂额，因为效率真的很低下：

首先，因为跟女友住在一起，需要同时考虑两人的上班路程，但各平台按通勤时长找房的功能都比较鸡肋，有的平台不支持同时选择多个地点，有的平台只能机械的取到离各个地点通勤时长相同的点，满足不了使用需求。

其次，站在一个租房人的立场，租房平台实在太多了，并且各平台筛选和排序逻辑都不太一致，导致很难将相似房源的信息进行横向比较。

但是没有关系，作为一名程序员，当然要用程序员的方法来解决问题了。于是，昨晚我用一个python脚本，获取了某租房平台上海地区的所有房源信息，一共2w多条：

下面就把本次爬数据的整个过程分享给大家。

分析页面，寻找切入点

首先进入该平台的租房页面，可以看到，主页上的房源列表里已经包括了我们所需要的大部分信息，并且这些信息都能直接从dom中获取到，因此考虑直接通过模拟请求来收集网页数据。

因此接下来就要考虑怎么获取url了。通过观察我们发现，该地区一共有2w套以上的房源，而通过网页只能访问到前100页的数据，每页显示数量上限是30条，算下来就是一共3k条，无法获取到全部信息。

不过我们可以通过添加筛选条件来解决这个问题。在筛选项中选择静安，进入到如下的url：

/zufang/jingan/

可以看到该地区一共有2k多套房源，数据页数为75，每页30条，理论上可以访问到所有的数据。所以可以通过分别获取各区房源数据的方法，得到该市所有的数据。

/zufang/jingan/pg2/

点击第二页按钮后，进入到了上面的url，可以发现只要修改pg后面的数字，就能进入到对应的页数。

不过这里发现一个问题，相同的页数每次访问得到的数据是不一样的，这样会导致收集到的数据出现重复。所以我们点击排序条件中的最新上架，进入到如下链接：

/zufang/jingan/pg2rco11/

用这种排序方式获得的数据次序是稳定的，至此我们的思路便有了：首先分别访问每个小地区的第一页，然后通过第一页获取当前地区的最大页数，然后访问模拟请求访问每一页获取所有数据。

爬取数据

有了思路之后就要动手写代码了，首先我们要收集包含所有的链接，代码如下：

#

所有小地区对应的标识

list=['jingan','xuhui','huangpu','changning','putuo','pudong','baoshan','hongkou','yangpu','minhang','jinshan','jiading','chongming','fengxian','songjiang','qingpu']

#

存放所有链接

urls

=

[]

for

a

in

list:

urls.append('/zufang/{}/pg1rco11/'.format(a))

#

设置请求头，避免ip被ban

headers

=

{'User-Agent':

'Mozilla/5.0

(Windows

NT

10.0;

WOW64)

AppleWebKit/537.36

(KHTML,

like

Gecko)

Chrome/81.0.4044.9

Safari/537.36'}

#

获取当前小地区第1页的dom信息

res

=

requests.get('/zufang/{}/pg1rco11/'.format(a),

headers=headers)

content

=

res.text

soup

=

BeautifulSoup(content,

'html.parser')

#

获取当前页面的最大页数

page_num

=

int(soup.find('div',

attrs={'class':

'content__pg'}).attrs['data-totalpage'])

for

i

in

range(2,page_num+1):

#

将所有链接保存到urls中

urls.append('/zufang/{}/pg{}rco11/'.format(a,i))

之后，我们要逐一处理上一步得到的urls，获取链接内的数据，代码如下：

num=1

for

url

in

urls:

print("正在处理第{}页数据...".format(str(num)))

res1

=

requests.get(url,

headers=headers)

content1

=

res1.text

soup1

=

BeautifulSoup(content1,

'html.parser')

infos

=

soup1.find('div',

{'class':

'content__list'}).find_all('div',

{'class':

'content__list--item'})

整理数据，导出文件

通过对页面结构的观察，我们能得到每个元素存储的位置，找到对应的页面元素，就能获取到我们需要的信息了。

这里附上完整的代码，感兴趣的朋友可以根据自己的需要，替换掉链接中的地区标识和小地区的标识，就能够获取到自己所在地区的信息了。其他租房平台的爬取方式大都类似，就不再赘述了。

import

time,

re,

csv,

requests

import

codecs

from

bs4

import

BeautifulSoup

print("****处理开始****")

with

open(r'..\sh.csv',

'wb+')as

fp:

fp.write(codecs.BOM_UTF8)

f

=

open(r'..\sh.csv','w+',newline='',

encoding='utf-8')

writer

=

csv.writer(f)

urls

=

[]

#

所有小地区对应的标识

list=['jingan','xuhui','huangpu','changning','putuo','pudong','baoshan','hongkou','yangpu','minhang','jinshan','jiading','chongming','fengxian','songjiang','qingpu']

#

存放所有链接

urls

=

[]

for

a

in

list:

urls.append('/zufang/{}/pg1rco11/'.format(a))

#

设置请求头，避免ip被ban

headers

=

{'User-Agent':

'Mozilla/5.0

(Windows

NT

10.0;

WOW64)

AppleWebKit/537.36

(KHTML,

like

Gecko)

Chrome/81.0.4044.9

Safari/537.36'}

#

获取当前小地区第1页的dom信息

res

=

requests.get('/zufang/{}/pg1rco11/'.format(a),

headers=headers)

content

=

res.text

soup

=

BeautifulSoup(content,

'html.parser')

#

获取当前页面的最大页数

page_num

=

int(soup.find('div',

attrs={'class':

'content__pg'}).attrs['data-totalpage'])

for

i

in

range(2,page_num+1):

#

将所有链接保存到urls中

urls.append('/zufang/{}/pg{}rco11/'.format(a,i))

num=1

for

url

in

urls:

#

模拟请求

print("正在处理第{}页数据...".format(str(num)))

res1

=

requests.get(url,

headers=headers)

content1

=

res1.text

soup1

=

BeautifulSoup(content1,

'html.parser')

#

读取页面中数据

infos

=

soup1.find('div',

{'class':

'content__list'}).find_all('div',

{'class':

'content__list--item'})

#

数据处理

for

info

in

infos:

house_url

=

''

+

info.a['href']

title

=

info.find('p',

{'class':

'content__list--item--title'}).find('a').get_text().strip()

group

=

title.split()[0][3:]

price

=

info.find('span',

{'class':

'content__list--item-price'}).get_text()

tag

=

info.find('p',

{'class':

'content__list--item--bottom

oneline'}).get_text()

mixed

=

info.find('p',

{'class':

'content__list--item--des'}).get_text()

mix

=

re.split(r'/',

mixed)

address

=

mix[0].strip()

area

=

mix[1].strip()

door_orientation

=

mix[2].strip()

style

=

mix[-1].strip()

region

=

re.split(r'-',

address)[0]

writer.writerow((house_url,

title,

group,

price,

ar