使用python抓取并分析数据—链家网(requests+BeautifulSoup)

本篇文章是使用python抓取数据的第一篇，使用requests+BeautifulSoup的方法对页面进行抓取和数据提取。通过使用requests库对链家网二手房列表页进行抓取，通过BeautifulSoup对页面进行解析，并从中获取房源价格，面积，户型和关注度的数据。

准备工作

首先是开始抓取前准备工作，导入需要使用的库文件，这里主要使用的是requests和BeautifulSoup两个。Time库负责设置每次抓取的休息时间。这里并非全部，后续还会在过程中导入新的库。

import requests

import time

from bs4 import BeautifulSoup

抓取列表页

开始抓取前先观察下目标页面或网站的结构，其中比较重要的是URL的结构。链家网的二手房列表页面共有100个，URL结构为http://bj.lianjia.com/ershoufang/pg9/，其中bj表示城市，/ershoufang/是频道名称，pg9是页面码。我们要抓取的是北京的二手房频道，所以前面的部分不会变，属于固定部分，后面的页面码需要在1-100间变化，属于可变部分。将URL分为两部分，前面的固定部分赋值给url，后面的可变部分使用for循环。

#设置列表页URL的固定部分

url=’http://bj.lianjia.com/ershoufang/’

#设置页面页的可变部分

page=(‘pg’)

此外，还需要在很http请求中设置一个头部信息，否则很容易被封。头部信息网上有很多现成的，也可以使用httpwatch等工具来查看。具体细节按照具体情况进行调整。

#设置请求头部信息

headers = {‘User-Agent’:’Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11′,

‘Accept’:’text/html;q=0.9,*/*;q=0.8′,

‘Accept-Charset’:’ISO-8859-1,utf-8;q=0.7,*;q=0.3′,

‘Accept-Encoding’:’gzip’,

‘Connection’:’close’,

‘Referer’:’http://www.baidu.com/linkurl=_andhfsjjjKRgEWkj7i9cFmYYGsisrnm2A-TN3XZDQXxvGsM9k9ZZSnikW2Yds4s&wd=&eqid=c3435a7d00006bd600000003582bfd1f’

}

使用for循环生成1-100的数字，转化格式后与前面的URL固定部分拼成要抓取的URL。这里我们设置每两个页面间隔0.5秒。抓取到的页面保存在html中。

#循环抓取列表页信息

for i in range(1,100):

if i == 1:

i=str(i)

a=(url+page+i+’/’)

r=requests.get(url=a,headers=headers)

html=r.content

else:

i=str(i)

a=(url+page+i+’/’)

r=requests.get(url=a,headers=headers)

html2=r.content

html = html + html2

#每次间隔0.5秒

time.sleep(0.5)

解析页面并提取信息

页面抓取完成后无法直接阅读和进行数据提取，还需要进行页面解析。我们使用BeautifulSoup对页面进行解析。变成我们在浏览器查看源代码中看到的样子。

#解析抓取的页面内容

lj=BeautifulSoup(html,’html.parser’)

完成页面解析后就可以对页面中的关键信息进行提取了。下面我们分别对房源的总价，房源信息和关注度三部分进行提取。

把页面div标签中class=priceInfo的部分提取出来，并使用for循环将其中每个房源的总价数据存在tp中。

#提取房源总价

price=lj.find_all(‘div’,attrs={‘class’:’priceInfo’})

tp=[]

for a in price:

totalPrice=a.span.string

tp.append(totalPrice)

提取房源信息和关注度的方法与提取房源价格的方法类似，下面是具体的代码，房源信息存储在hi中，关注度存储在fi中。

#提取房源信息

houseInfo=lj.find_all(‘div’,attrs={‘class’:’houseInfo’})

hi=[]

for b in houseInfo:

house=b.get_text()

hi.append(house)

#提取房源关注度

followInfo=lj.find_all(‘div’,attrs={‘class’:’followInfo’})

fi=[]

for c in followInfo:

follow=c.get_text()

fi.append(follow)

创建数据表并清洗数据

导入pandas库将前面提取的房源总价，和关注度等信息进行汇总生成数据表。便于后面的分析。

#导入pandas库

import pandas as pd

#创建数据表

house=pd.DataFrame({‘totalprice’:tp,’houseinfo’:hi,’followinfo’:fi})

#查看数据表的内容

house.head()

前面提取的都只是信息，还不能直接使用，在分析前要对这些信息进行数据提取和清洗等工作。如房源信息，在表中每个房源的小区名称，户型，面积，朝向等信息都在一个字段中，无法直接使用。需要先进行分列操作。这里的规则比较明显，每个信息间都是以竖线分割的，因此我们只需要以竖线进行分列即可。

#对房源信息进行分列

houseinfo_split = pd.DataFrame((x.split(‘|’) for x in house.houseinfo),index=house.index,columns=[‘xiaoqu’,’huxing’,’mianji’,’chaoxiang’,’zhuangxiu’,’dianti’])

这是完成分列后的新数据表，房源的各种信息以及成为单独的字段。

#查看分列结果

houseinfo_split.head()

将分列后的新数据表在重新拼接回原有的数据表中，这样在后面的分析过程中可以与其他字段的信息配合使用。

#将分列结果拼接回原数据表

house=pd.merge(house,houseinfo_split,right_index=True, left_index=True)

完成拼接后的数据表中既包含了原有字段，也包含了分列后的新增字段。

#查看拼接后的数据表

house.head()

使用相同的方法对房源关注度字段进行分列和拼接操作。这里的分列规则是斜杠。

#对房源关注度进行分列

followinfo_split = pd.DataFrame((x.split(‘/’) for x in house.followinfo),index=house.index,columns=[‘guanzhu’,’daikan’,’fabu’])

#将分列后的关注度信息拼接回原数据表

house=pd.merge(house,followinfo_split,right_index=True, left_index=True)

房源户型分布情况

前面我们经过对房源信息的分列获取了房源的朝向，户型等信息，这里我们对房源的户型情况进行汇总，看看北京在售二手房的户型分布情况。

首先按房源的户型对房源数量进行汇总，下面是具体的代码和结果。

#按房源户型类别进行汇总

huxing=house.groupby(‘huxing’)[‘huxing’].agg(len)

#查看户型汇总结果

huxing

导入数值计算库mumpy对数据进行处理，并使用matplotlib绘制房源户型分布条形图。

#导入图表库

import matplotlib.pyplot as plt

#导入数值计算库

import numpy as np

#绘制房源户型分布条形图

plt.rc(‘font’, family=’STXihei’, size=11)

a=np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20])

plt.barh([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],huxing,color=’#052B6C’,alpha=0.8,align=’center’,edgecolor=’white’)

plt.ylabel(‘户型’)

plt.xlabel(‘数量’)

plt.xlim(0,1300)

plt.ylim(0,20)

plt.title(‘房源户型分布情况’)

plt.legend([‘数量’], loc=’upper right’)

plt.grid(color=’#95a5a6′,linestyle=’–‘, linewidth=1,axis=’y’,alpha=0.4)

plt.yticks(a,(‘1室0厅’,’1室1厅’,’1室2厅’,’2室0厅’,’2室1厅’,’2室2厅’,’3室0厅’,’3室1厅’,’3室2厅’,’3室3厅’,’4室1厅’,’4室2厅’,’4室3厅’,’5室2厅’,’5室3厅’,’6室1厅’,’6室2厅’,’7室2厅’,’7室3厅’))

plt.show()

北京在售二手房中户型从1室0厅到7室3厅近20种分布广泛。在所有的户型中数量最多的是2室1厅，其次为3室1厅和3室2厅，以及2室2厅。较小的1室1厅数量也较多。较大的户型数量较少。另外，从在售户型的分布中我们也可以推测出售房人的一些情况。

房源面积分布情况

在数据表中，房源面积通过分列以及单独提取出来，但数字与中文的格式并不能直接使用。我们还需要对房源面积字段进行二次分列处理，提取出面积的数值。方法与前面的分列方法类似，我们使用“平”作为分列规则对房源面积进行二次分列。并将分列后的结果拼接回原数据表中。

#对房源面积进行二次分列

mianji_num_split = pd.DataFrame((x.split(‘平’) for x in house.mianji),index=house.index,columns=[‘mianji_num’,’mi’])

#将分列后的房源面积拼接回原数据表

house=pd.merge(house,mianji_num_split,right_index=True, left_index=True)

分列后的数据在使用前还需要进行清洗，通常的操作包括去除空格和格式转换。下面我们先对房源面积的值去除两端的空格，然后更改数值的格式以方便后面的计算。

#去除mianji_num字段两端的空格

house[‘mianji_num’]=house[‘mianji_num’].map(str.strip)

#更改mianji_num字段格式为float

house[‘mianji_num’]=house[‘mianji_num’].astype(float)

清洗后的房源面积字段可以开始分析了。首先查看所有北京在售二手房的面积范围，下面是代码和结果。房源面积从18.85到332.63。

#查看所有房源面积的范围值

house[‘mianji_num’].min(),house[‘mianji_num’].max()

(18.850000000000001, 332.63)

有了房源面积的范围后，就可以对面积进行分组了，我们以50为区间将房源面积分为7组。并统计所有房源在这7组中的分布情况。

#对房源面积进行分组

bins = [0, 50, 100, 150, 200, 250, 300, 350]

group_mianji = [‘小于50′, ’50-100’, ‘100-150’, ‘150-200′,’200-250′,’250-300′,’300-350’]

house[‘group_mianji’] = pd.cut(house[‘mianji_num’], bins, labels=group_mianji)

#按房源面积分组对房源数量进行汇总

group_mianji=house.groupby(‘group_mianji’)[‘group_mianji’].agg(len)

使用房源面积分组字段对房源数量进行分组并绘制条形图。

#绘制房源面积分布图

plt.rc(‘font’, family=’STXihei’, size=15)

a=np.array([1,2,3,4,5,6,7])

plt.barh([1,2,3,4,5,6,7],group_mianji,color=’#052B6C’,alpha=0.8,align=’center’,edgecolor=’white’)

plt.ylabel(‘面积分组’)

plt.xlabel(‘数量’)

plt.title(‘房源面积分布’)

plt.legend([‘数量’], loc=’upper right’)

plt.grid(color=’#95a5a6′,linestyle=’–‘, linewidth=1,axis=’y’,alpha=0.4)

plt.yticks(a,(‘小于50′, ’50-100’, ‘100-150’, ‘150-200′,’200-250′,’250-300′,’300-350’))

plt.show()

在所有房源中，数量最多的是50-100，其次为100-150。随着面积增加数量减少。小于50的小面积房源也有一定数量的房源。

房源关注度分布情况

房源关注度的情况与房源面积类似，第一次分列处理后得到的数据包含数字和中文，无法直接使用，需要再次通过分列处理提取关注度的数值，并对数值进行清洗和格式转换。下面是具体的代码。

#对房源关注度进行二次分列

guanzhu_num_split = pd.DataFrame((x.split(‘人’) for x in house.guanzhu),index=house.index,columns=[‘guanzhu_num’,’ren’])

#将分列后的关注度数据拼接回原数据表

house=pd.merge(house,guanzhu_num_split,right_index=True, left_index=True)

#去除房源关注度字段两端的空格

house[‘guanzhu_num’]=house[‘guanzhu_num’].map(str.strip)

#更改房源关注度及总价字段的格式

house[[‘guanzhu_num’,’totalprice’]]=house[[‘guanzhu_num’,’totalprice’]].astype(float)

清洗完后查看所有房源关注度的区间，关注度从0到725。也就是说有些房子很热门，而有些房子没有人关注。这可能和房源上线和更新的情况有关，此外还要考虑房源的销售速度，热门房源可能很抢手，刚上线就成交了。因此我们对情况进行简化，暂时忽略掉这些复杂的情况。仅对关注度的分布情况进行统计。

#查看房源关注度的区间

house[‘guanzhu_num’].min(),house[‘guanzhu_num’].max()

(0.0, 725.0)

将关注度以100为区间分为8组，并按关注度区间进行汇总统计房源数量。查看在售房源的关注度分布情况。

#对房源关注度进行分组

bins = [0, 100, 200, 300, 400, 500, 600, 700,800]

group_guanzhu = [‘小于100’, ‘100-200’, ‘200-300’, ‘300-400′,’400-500′,’500-600′,’600-700′,’700-800’]

house[‘group_guanzhu’] = pd.cut(house[‘guanzhu_num’], bins, labels=group_guanzhu)

group_guanzhu=house.groupby(‘group_guanzhu’)[‘group_guanzhu’].agg(len)

绘制房源关注度分布条形图。

#绘制房源关注度分布图

plt.rc(‘font’, family=’STXihei’, size=15)

a=np.array([1,2,3,4,5,6,7,8])

plt.barh([1,2,3,4,5,6,7,8],group_guanzhu,color=’#052B6C’,alpha=0.8,align=’center’,edgecolor=’white’)

plt.ylabel(‘关注度分组’)

plt.xlabel(‘数量’)

plt.xlim(0,3000)

plt.title(‘房源关注度分布’)

plt.legend([‘数量’], loc=’upper right’)

plt.grid(color=’#95a5a6′,linestyle=’–‘, linewidth=1,axis=’y’,alpha=0.4)

plt.yticks(a,(‘小于100’, ‘100-200’, ‘200-300’, ‘300-400′,’400-500′,’500-600′,’600-700′,’700-800’))

plt.show()

在3000个房源中，近2500个房源的关注度小于100，关注度大于400的房源则较少。这里需要再次说明的是关注度数据无法准确的表示房源的热门程度。热门房源可能由于出售速度快而关注度较少。因此关注度数据仅供参考。

房源聚类分析

最后，我们对所有在售房源按总价，面积和关注度进行聚类分析。将在售房源按总价，面积和关注度的相似性分在不同的类别中。

#导入sklearn中的KMeans进行聚类分析

from sklearn.cluster import KMeans

#使用房源总价，面积和关注度三个字段进行聚类

house_type = np.array(house[[‘totalprice’,’mianji_num’,’guanzhu_num’]])

#设置质心数量为3

clf=KMeans(n_clusters=3)

#计算聚类结果

clf=clf.fit(house_type)

通过计算我们将在售房源分为三个类别，下面是每个类别的中心点坐标。

#查看分类结果的中心坐标

clf.cluster_centers_

array([[ 772.97477064, 112.02389908, 58.96330275],

[ 434.51073861, 84.92950236, 61.20115244],

[ 1473.26719577, 170.65402116, 43.32275132]])