作者：xiaoyu
微信公眾號：Python資料科學
知乎：python資料分析師
前情回顧
前一段時間與大家分享了北京二手房房價分析的實戰專案，分為分析和建模兩篇。文章發出後，得到了大家的肯定和支援，在此表示感謝。
除了資料分析，好多朋友也對爬蟲特別感興趣，想知道爬蟲部分是如何實現的。本篇將分享這個專案的爬蟲部分，算是資料分析的一個 前傳篇。
爬蟲前的思考
爬蟲部分主要是通過爬取鏈x和安x客來獲取二手房住房資訊，因為考慮到不同網站的房源資訊可以互補，所以選擇了兩個網站。
爬取目標是北京二手房，僅針對一個城市而言，資料量並不大。所以直接採用Scrapy來完成爬取工作，然後將資料儲存在csv格式的檔案中。最終爬取結果是這樣的，鏈x的爬蟲爬取了 30000+條資料，安x客的爬蟲爬取了 3000+條資料。不得不說鏈x的房源相對來講還是比較全的。
scrapy爬取鏈x
寫一個爬蟲最開始當然要想清楚需要獲取什麼樣的資料了。本次專案對與二手房相關的資料都比較感興趣，可以自然的想到，每個房源連結的具體詳細資訊是最全的。但考慮到爬蟲深度影響整體爬蟲效率問題，並且房源列表中資料已經能夠滿足基本的要求，並沒有必要對每個詳細連結進行深入的爬取，因此最終選擇爬取房源列表。以下是房源列表（部分截圖）中的房源資訊：
確定以上爬取內容後，就開始爬蟲部分的工作。首先在item.py檔案中定義一個子類，該子類繼承了父類scrapy.Item，然後在子類中用scrapy.Field()定義以上資訊的欄位。如下程式碼，將所有需要的欄位資訊都設定好。
import scrapy
class LianjiaSpiderItem(scrapy.Item):
# define the fields for your item here like:
Id = scrapy.Field()
Region = scrapy.Field()
Garden = scrapy.Field()
Layout = scrapy.Field()
Size = scrapy.Field()
Direction = scrapy.Field()
Renovation = scrapy.Field()
Elevator = scrapy.Field()
Floor = scrapy.Field()
Year = scrapy.Field()
Price = scrapy.Field()
District = scrapy.Field()
pass
複製程式碼在spider資料夾下的爬取檔案（自定義）中匯入所需庫，如下程式碼：
-
json：json格式的轉換；
-
scrapy：scrapy庫；
-
logging：日誌；
-
BeautifulSoup：使用bs4提取網頁資訊；
-
table：settings中自設的一個字典；
-
LianjiaSpiderItem：欄位Field；
# -*- coding:utf-8 -*-
import json
import scrapy
import logging
from bs4 import BeautifulSoup
from lianjia_spider.settings import table
from lianjia_spider.items import LianjiaSpiderItem
複製程式碼下面進入關鍵部分，即爬蟲部分。這部分主要需要自己做的就是如何解析，而對於爬蟲是如何爬取的我們不用關心，因為它是框架已經在底層完成排程和爬取的實現，我們只要簡單呼叫即可。
具體詳細框架結構可參見：Python爬蟲之Scrapy學習（基礎篇）
爬蟲解析部分，是在繼承scrapy.Spider父類的子類LianjiaSpider中完成的。子類中設有三個函式，並通過callback回撥逐層實現解析功能，這三個函式是：
-
start_requests：覆蓋父類中原有函式，爬取初始url並存入訊息佇列中；
-
page_navigate：解析初始url頁面，迴圈爬取各初始url頁面下的所有頁碼連結；
-
parse：爬取每個頁碼下的所有詳細房源連結，提取相應的欄位資訊，並儲存至items中；
下面是三個函式的功能描述，以及程式碼實現。
start_requests
任何爬蟲都需要有初始url，然後由初始url繼續深入爬取進一步的url，直到爬取到所需資料。由於鏈家二手房url的特徵是，由一個基礎url和各大區拼音拼接組成，因此在start_requests函式中定義了base_url的基礎url，和需要拼接的北京各大區的拼音列表。
然後由這些拼接的各大區url作為所有的初始url連結，並由scrapy.Request方法對每個連結發出非同步請求，程式碼如下：
class LianjiaSpider(scrapy.Spider):
name = 'lianjia'
base_url = 'https://bj.lianjia.com/ershoufang/'
def start_requests(self):
district = ['dongcheng', 'xicheng', 'chaoyang', 'haidian', 'fengtai', 'shijingshan', 'tongzhou', 'changping',
'daxing', 'yizhuangkaifaqu', 'shunyi', 'fangshan', 'mentougou', 'pinggu', 'huairou',
'miyun', 'yanqing', 'yanjiao', 'xianghe']
for elem in district:
region_url = self.base_url + elem
yield scrapy.Request(url=region_url, callback=self.page_navigate)
複製程式碼page_navigate
對每個大區url發出非同步請求後，我們需要對各大區內的所有房源列表url進行進一步的爬取，而為了能夠順利的將全部內容爬取，我們就要解決頁碼迴圈的問題。在page_navigate函式中，使用BeautifulSoup解析html，提取頁面中的pages資料。
BeautifulSoup的具體使用方法參見：Python爬蟲之BeautifulSoup解析之路
爬取獲得的pages資料是json字串，所以需要使用json.loads將其轉換為字典格式，然後得到max_number。最後通過for迴圈不斷髮送每個頁碼url的連結完成非同步請求，並使用callback呼叫進入下一步的函式中，程式碼如下：
def page_navigate(self, response):
soup = BeautifulSoup(response.body, "html.parser")
try:
pages = soup.find_all("div", class_="house-lst-page-box")[0]
if pages:
dict_number = json.loads(pages["page-data"])
max_number = dict_number['totalPage']
for num in range(1, max_number + 1):
url = response.url + 'pg' + str(num) + '/'
yield scrapy.Request(url=url, callback=self.parse)
except:
logging.info("*******該地區沒有二手房資訊********")
複製程式碼parse
parse函式中，首先通過BeautifulSoup解析每個頁碼下的所有房源列表資訊，得到house_info_list。鏈x房源列表中沒有所在大區資訊，但是房源所在區域對於後續資料分析是很重要的，而僅通過頁面解析我們沒辦法獲取。為了獲得這個欄位該如何實現呢？
我們可以通過response.url來判斷，因為url正好是我們開始用所在區域拼接而成的，我們構造url的時候已經包含了大區資訊。那麼簡單的通過辨識url中的大區拼音，就可以解決該問題了。然後使用字典table將對應的中文所在區名對映到Region欄位中。
接下來開始對房源列表 house_info_list中的每個房源資訊info進行解析。根據鏈x的頁面結構，可以看到，每個info下有三個不同位置的資訊組，可通過class_引數進行定位。這三個位置資訊分別是house_info，position_info，price_info，每組位置下包含相關欄位資訊。
-
house_info：如圖包含Garden，Size，Layout，Direction，Renovation，Elevator房屋構造等欄位資訊；
-
position_info：如圖包含Floor，Year，District等位置年限欄位資訊；
-
price_info：如圖包含Total_price，price等欄位資訊；
這裡說的位置不同是在前端html頁面中的標籤位置不同。
具體操作方法參見下面程式碼：
def parse(self, response):
item = LianjiaSpiderItem()
soup = BeautifulSoup(response.body, "html.parser")
#獲取到所有子列表的資訊
house_info_list = soup.find_all(name="li", class_="clear")
# 通過url辨認所在區域
url = response.url
url = url.split('/')
item['Region'] = table[url[-3]]
for info in house_info_list:
item['Id'] = info.a['data-housecode']
house_info = info.find_all(name="div", class_="houseInfo")[0]
house_info = house_info.get_text()
house_info = house_info.replace(' ', '')
house_info = house_info.split('/')
# print(house_info)
try:
item['Garden'] = house_info[0]
item['Layout'] = house_info[1]
item['Size'] = house_info[2]
item['Direction'] = house_info[3]
item['Renovation'] = house_info[4]
if len(house_info) > 5:
item['Elevator'] = house_info[5]
else:
item['Elevator'] = ''
except:
print("資料儲存錯誤")
position_info = info.find_all(name='div', class_='positionInfo')[0]
position_info = position_info.get_text()
position_info = position_info.replace(' ', '')
position_info = position_info.split('/')
# print(position_info)
try:
item['Floor'] = position_info[0]
item['Year'] = position_info[1]
item['District'] = position_info[2]
except:
print("資料儲存錯誤")
price_info = info.find_all("div", class_="totalPrice")[0]
item['Price'] = price_info.span.get_text()
yield item
複製程式碼對於鏈x的爬取，沒用xpath的原因是提取一些標籤實在不是很方便（只是針對於鏈x），因此博主採用了beautifulSoup。
scrapy爬取安x客
這部分之前就有分享過，可以參見：Scrapy爬取二手房資訊+視覺化資料分析
以下是核心的爬蟲部分，與鏈x爬取部分的思想一致，不同的是使用了xpath進行解析和ItemLoader對item載入儲存。
# -*- coding:utf-8 -*-
import scrapy
from scrapy.loader import ItemLoader
from anjuke.items import AnjukeItem
class AnjukeSpider(scrapy.Spider):
name = 'anjuke'
custom_settings = {
'REDIRECT_ENABLED': False
}
start_urls = ['https://beijing.anjuke.com/sale/']
def start_requests(self):
base_url = 'https://beijing.anjuke.com/sale/'
for page in range(1, 51):
url = base_url + 'p' + str(page) + '/'
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
num = len(response.xpath('//*[@id="houselist-mod-new"]/li').extract())
house_info = response.xpath('//*[@id="houselist-mod-new"]')
print(house_info)
for i in range(1, num + 1):
l = ItemLoader(AnjukeItem(), house_info)
l.add_xpath('Layout', '//li[{}]/div[2]/div[2]/span[1]/text()'.format(i))
l.add_xpath('Size', '//li[{}]/div[2]/div[2]/span[2]/text()'.format(i))
l.add_xpath('Floor', '//li[{}]/div[2]/div[2]/span[3]/text()'.format(i))
l.add_xpath('Year', '//li[{}]/div[2]/div[2]/span[4]/text()'.format(i))
l.add_xpath('Garden', '//li[{}]/div[2]/div[3]/span/text()'.format(i))
l.add_xpath('Region', '//li[{}]/div[2]/div[3]/span/text()'.format(i))
l.add_xpath('Price', '//li[{}]/div[3]/span[1]/strong/text()'.format(i))
yield l.load_item()
複製程式碼安x客的反爬比較嚴重，如果不使用代理ip池，速度過快非常容易掛掉。而鏈x的反爬相對沒那麼嚴格，速度可以很快。
總結
以上是對本專案爬蟲部分核心內容的分享，至此這個專案完成了從爬蟲到資料分析，再到資料探勘預測的 "三部曲"完整過程。雖然這個專案比較簡單，仍有很多地方需要完善，但是希望通過這個專案能讓大家對整個過程有個很好的認識和了解。
關注微信公眾號：Python資料科學，發現更多精彩內容。