看我如何抓取二手房价数据

科技 07-17 来源： VT漫步

如何通过 Python 抓取新房楼盘价格信息，很多朋友都在问，那二手房最新的价格信息要如何抓取呢？好！今天就再来为大家讲一讲，二手房的房价信息要怎么抓取。

模块安装

这里需要安装以下模块（当然如果已安装就不用再装了）：

# 安装引用模块
pip3 install bs4
pip3 install requests
pip3 install lxml
pip3 install numpy
pip3 install pandas

好了，安装完成后，就可以开始写代码了。至于配置请求头和代理IP地址的代码，上次介绍新房已经说过了，这里不再赘述，下面直接上抓取代码。

二手房价数据对象

在这里我们将二手房的房价信息，创建成一个对象，后续我们只要将获取到的数据保存成对象，再处理就会方便很多。 SecHouse 对象代码如下所示：

# 二手房信息对象
class SecHouse(object):
    def __init__(self, district, area, name, price, desc, pic):
        self.district = district
        self.area = area
        self.price = price
        self.name = name
        self.desc = desc
        self.pic = pic
    def text(self):
        return self.district + "," + \
                self.area + "," + \
                self.name + "," + \
                self.price + "," + \
                self.desc + "," + \
                self.pic

获取二手房价信息并保存

准备好了，下面我们依然以贝壳为例，批量爬取其北京地区二手房数据，并保存到本地。这里我主要想说的是如何抓取数据过程，所以这里依然就保存成最简单的 txt 文本格式。如果想保存到数据库，可以自行修改代码进行保存数据库处理。

获取区县信息

我们在抓取二手房信息时，肯定想知道这个房源所在地区，所以这里我写了个方法把北京市所有区县信息抓取下来，并临时保存至列表变量里，以备后续程序中使用，代码如下：

# 获取区县信息
def get_districts():
    # 请求 URL
    url = 'https://bj.ke.com/xiaoqu/'
    headers = create_headers()
    # 请求获取数据
    response = requests.get(url, timeout=10, headers=headers)
    html = response.content
    root = etree.HTML(html)
    # 处理数据
    elements = root.xpath('///div[3]/div[1]/dl[2]/dd/div/div/a')
    en_names = list()
    ch_names = list()
    # 循环处理对象
    for element in elements:
        link = element.attrib['href']
        en_names.append(link.split('/')[-2])
        ch_names.append(element.text)

    # 打印区县英文和中文名列表
    for index, name in enumerate(en_names):
        chinese_city_district_dict[name] = ch_names[index]
    return en_names

获取地区板块

除了上面要获取区县信息，我们还应该获取比区县更小的板块区域信息，同样的区县内，不同板块地区二手房的价格等信息肯定不一样，所以板块对于我们来说也很重要，具有一次参考价值。获取板块信息代码如下：

# 获取某个区县下所有板块信息
def get_areas(district):
    # 请求的 URL
    page = "http://bj.ke.com/xiaoqu/{0}".format(district)
    # 板块列表定义
    areas = list()
    try:
        headers = create_headers()
        response = requests.get(page, timeout=10, headers=headers)
        html = response.content
        root = etree.HTML(html)
        # 获取标签信息
        links = root.xpath('//div[3]/div[1]/dl[2]/dd/div/div[2]/a')

        # 针对list进行处理
        for link in links:
            relative_link = link.attrib['href']
            # 最后"/"去掉
            relative_link = relative_link[:-1]
            # 获取最后一节信息
            area = relative_link.split("/")[-1]
            # 去掉区县名称,以防止重复
            if area != district:
                chinese_area = link.text
                chinese_area_dict[area] = chinese_area
                # 加入板块信息列表
                areas.append(area)
        return areas
    except Exception as e:
        print(e)

获取二手房信息并保存

# 创建文件准备写入
with open("sechouse.txt", "w", encoding='utf-8') as f:
    # 定义变量
    total_page = 1
    # 初始化 list
    sec_house_list = list()
    # 获取所有区县信息
    districts = get_districts()
    # 循环处理区县
    for district in districts:
        # 获取某一区县下所有板块信息
        arealist = get_areas(district)
        # 循环遍历所有板块下的小区二手房信息
        for area in arealist:
            # 中文区县
            chinese_district = chinese_city_district_dict.get(district, "")
            # 中文版块
            chinese_area = chinese_area_dict.get(area, "")
            # 请求地址
            page = 'http://bj.ke.com/ershoufang/{0}/'.format(area)
            headers = create_headers()
            response = requests.get(page, timeout=10, headers=headers)
            html = response.content
            # 解析 HTML
            soup = BeautifulSoup(html, "lxml")

            # 获取总页数
            try:
                page_box = soup.find_all('div', class_='page-box')[0]
                matches = re.search('.*data-total-count="(\d+)".*', str(page_box))
                # 获取总页数
                total_page = int(math.ceil(int(matches.group(1)) / 10))
            except Exception as e:
                print(e)

            print(total_page)
            # 设置请求头
            headers = create_headers()
            # 从第一页开始,遍历到最后一页
            for i in range(1, total_page + 1):
                # 请求地址
                page = 'http://bj.ke.com/ershoufang/{0}/pg{1}'.format(area,i)
                print(page)
                # 获取返回内容
                response = requests.get(page, timeout=10, headers=headers)
                html = response.content
                soup = BeautifulSoup(html, "lxml")

                # 获得二手房查询列表
                house_elements = soup.find_all('li', class_="clear")
                # 遍历每条信息
                for house_elem in house_elements:
                    # 价格
                    price = house_elem.find('div', class_="totalPrice")
                    # 标题
                    name = house_elem.find('div', class_='title')
                    # 描述
                    desc = house_elem.find('div', class_="houseInfo")
                    # 图片地址
                    pic = house_elem.find('a', class_="img").find('img', class_="lj-lazy")

                    # 清洗数据
                    price = price.text.strip()
                    name = name.text.replace("
", "")
                    desc = desc.text.replace("
", "").strip()
                    pic = pic.get('data-original').strip()

                    # 保存二手房对象
                    sec_house = SecHouse(chinese_district, chinese_area, name, price, desc, pic)
                    print(sec_house.text())
                    sec_house_list.append(sec_house)
            # 循环遍历将信息写入 txt
            for sec_house in sec_house_list:
                f.write(sec_house.text() + "
")

到这里代码就写好了，现在我们就可以通过命令 python sechouse.py 运行代码进行数据抓取了。抓取的结果我们可以打开当前目录下 sechouse.txt 文件查看，结果如下图所示：