码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬取链家二手房数据——重庆地区

时间:2019-05-29 23:52:42      阅读:244      评论:0      收藏:0      [点我收藏+]

标签:append   pos   long   data   spi   参数   rom   信息   没有   

最近在学习数据分析的相关知识,打算找一份数据做训练,于是就打算用Python爬取链家在重庆地区的二手房数据。

链家的页面如下:

技术图片

爬取代码如下:

import requests, json, time
from bs4 import BeautifulSoup
import re, csv
def parse_one_page(url):
    headers={
      user-agent:Mozilla/5.0
    }
    r = requests.get(url, headers=headers)
    soup = BeautifulSoup(r.text, lxml)
    results = soup.find_all(class_="clear LOGCLICKDATA")
    
    for item in results: 
        output = []
        # 从url中获得区域
        output.append(url.split(/)[-3]) 
        
        # 获得户型、面积、朝向等信息,有无电梯的信息可能会有缺失,数据清理可以很方便的处理
        info1 = item.find(div, houseInfo).text.replace( , ‘‘).split(|)
        for t in info1:
            output.append(t)
            
        # 获得总价
        output.append(item.find(div, totalPrice).text)
        
        # 获得年份信息,如果没有就为空值
        info2 = item.find(div, positionInfo).text.replace( , ‘‘)
        if info2.find() != -1:
            pos = info2.find()
            output.append(info2[pos-4:pos])
        else:
            output.append( )
        
        # 获得单价
        output.append(item.find(div, unitPrice).text)
        #print(output)
        write_to_file(output)

def write_to_file(content):
    # 参数newline保证输出到csv后没有空行
    with open(data.csv, a, newline=‘‘) as csvfile:
        writer = csv.writer(csvfile)
        #writer.writerow([‘Region‘, ‘Garden‘, ‘Layout‘, ‘Area‘, ‘Direction‘, ‘Renovation‘, ‘Elevator‘, ‘Price‘, ‘Year‘, ‘PerPrice‘])
        writer.writerow(content)
        
def main(offset):
    regions = [jiangbei, yubei, nanan, banan, shapingba, jiulongpo, yuzhong, dadukou, jiangjing, fuling,
             wanzhou, hechuang, bishan, changshou1, tongliang, beibei]
    for region in regions:
        for i in range(1, offset):
            url = https://cq.lianjia.com/ershoufang/ + region + /pg+ str(i) + /
            html = parse_one_page(url)
            time.sleep(1)
     print(‘{} has been writen.‘.format(region))
main(101)

链家网站的数据最多只显示100页,所以这里我们爬取各个区域的前100页信息,有的可能没有100页,但并不影响,爬取结果如下(已经对数据做了一点处理,有问题的数据出现在有无电梯那一列和小区名那一列,只要排个序然后整体移动单元内容即可,年份缺失后面再做处理):

技术图片

接下来,我们用Excel的数据透视表简单看一下数据的数量信息:

技术图片

从表中我们可以看到,此次共爬取了33225条数据,Elevator这一项有很多数据缺失,Year这一项由于在爬虫时使用空格代替了空值,所以这一项也存在一些数据缺失。现在有了数据,后面就可以开始对这些数据进行分析了。

参考书籍:

[1] https://germey.gitbooks.io/python3webspider/content/

Python爬取链家二手房数据——重庆地区

标签:append   pos   long   data   spi   参数   rom   信息   没有   

原文地址:https://www.cnblogs.com/yunxiaofei/p/10946951.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!