新房,因为有着比二手房更好的质量和配套,是每一个打工人梦想的港湾。人们买房往往通过置业顾问或实地踩盘了解相关楼盘信息,然而,这个过程费时费力。如果能通过技术手段,将所在城市所有最新楼盘信息获取到,做一个初筛,然后再精准实地踩盘,将是一个不错的思路。

本文通过利用Python技术,手把手教你爬取房天下任意城市新房数据,让你更快洞察房地产市场变化,助你选择最佳的置业或投资的房产标的。

01

网页分析

我们以上海为例,首页URL及网页内容如下:

https://sh.newhouse.fang.com/house/s/b91/

这是上海新盘列表,合计749个房源信息(每页20个),点击下一页,URL变为:

https://sh.newhouse.fang.com/house/s/b92/

很显然,是简单的静态网页,URL由城市参数(此处为sh)和翻页参数(此处为2)拼接而成。点进一个楼盘(如建邦国宸府),查看楼盘详情,此时URL和网页内容变为:

https://sh.newhouse.fang.com/loupan/1210130400/housedetail.htm

而这些内容,才是我们真正要抓取的目标。详情URL由城市参数(此处为sh)和房源id(此处为1210130400)拼接而成,而房源id大概率藏在首页URL网页源代码中。

那么,爬虫思路就很清晰了:遍历首页房源列表获取所有房源id,拼接详情URL,遍历获取所有房源详情信息。

02

爬虫实战

打开Pycharm,新建一个py文件,导入爬虫相关包:

import requests  #请求数据
from pyquery import PyQuery as pq  #本次采用pyquery和re解析数据
import time
import re
import random

为了提高爬虫安全性,除了最基本的延时,本次爬虫还加了一些请求头和代理ip(网上down的,也可以购买),让程序从中随机抽取并请求网页。

global user_agents
global proxy_list
user_agents = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ""Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3","Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50","Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50","Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)","Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1","Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0","Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)","Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)","Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)","Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)","Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)","Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6","Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1","Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0","Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5","Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11","Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20","Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)","Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)","Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)","Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1","Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5","Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre","Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36",
]
proxy_list = ["218.91.13.2:46332","121.31.176.85:8123","218.71.161.56:80","49.85.1.230:28643","115.221.121.165:41674","123.55.177.237:808"]

定义一个get_id函数,遍历获取所有房源id,将其存放在列表idlist中:

def get_id(city):url = 'https://' + city + '.newhouse.fang.com/house/s/b91'user_agent = random.choice(user_agents)header = {'User-Agent': user_agent}proxy = {'Proxies': random.choice(proxy_list)}r = requests.get(url, headers=header, proxies=proxy)time.sleep(2)r.encoding = 'GBK'pattern1 = re.compile('(?<=现有新楼盘)\d+')total = int(re.findall(pattern1, r.text)[0]) // 20 + 1idlist = []for i in range(1, total + 1):url = 'https://' + city + '.newhouse.fang.com/house/s/b9' + str(i)user_agent = random.choice(user_agents)header = {'User-Agent': user_agent}proxy = {'Proxies': random.choice(proxy_list)}r = requests.get(url, headers=header, proxies=proxy)time.sleep(2)r.encoding = 'gb2312'pattern = re.compile('(?<=loupan/)\d+')id = re.findall(pattern, r.text)for j in id:idlist.append(j)# print(idlist)return idlist

定义一个get_data函数,将房源id传入详情页URL中,遍历获取所有房源详情信息:

def get_data(city, id):url = 'https://' + city + '.newhouse.fang.com/loupan/' + id + '/housedetail.htm'user_agent = random.choice(user_agents)header = {'User-Agent': user_agent}proxy = {'Proxies': random.choice(proxy_list)}r = requests.get(url, headers=header, proxies=proxy)time.sleep(1)r.encoding = 'utf8'doc = pq(r.text)# print(doc)data1 = doc('.ts_linear').items()for i in data1:print(i.text())data1 = doc('.list').items()for i in data1:print(i.text())

最后,调用这两个函数:

id = get_id('sh')
for i in range(len(id)):get_data('sh', id[i])

03

效果演示

推荐阅读
误执行了rm -fr /*之后,除了跑路还能怎么办?!程序员必备58个网站汇总大幅提高生产力:你需要了解的十大Jupyter Lab插件

肝!教你用Python抓取某天下楼盘数据相关推荐

  1. python抓取内存中的网页_『爬虫四步走』手把手教你使用Python抓取并存储网页数据!...

    爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Python爬虫的基本流程.如果你还在入门爬虫 ...

  2. 『爬虫四步走』手把手教你使用Python抓取并存储网页数据!

    爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Python爬虫的基本流程.如果你还在入门爬虫 ...

  3. python抓取网页数据并截图_手把手教你使用python抓取并存储网页数据!

    作者:刘早起 来源:早起Python 爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Pyth ...

  4. 手把手教你使用 Python 抓取并存储网页数据!最详细的爬虫教程!

    爬虫是 Python 的一个重要的应用,使用 Python 爬虫我们可以轻松的从互联网中抓取我们想要的数据 本文将基于爬取 B 站视频热搜榜单数据并存储为例,详细介绍 Python 爬虫的基本流程. ...

  5. java使用xml存储数据_『爬虫四步走』手把手教你使用Python抓取并存储网页数据!

    菜鸟学Python 以下文章来源于早起Python ,作者刘早起 爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据 ...

  6. java使用xml存储数据_「爬虫四步走」手把手教你使用Python抓取并存储网页数据

    爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Python爬虫的基本流程.如果你还在入门爬虫 ...

  7. 『爬虫四步走』手把手教你使用 Python 抓取并存储网页数据!

    爬虫是 Python 的一个重要的应用,使用 Python 爬虫我们可以轻松的从互联网中抓取我们想要的数据 本文将基于爬取 B 站视频热搜榜单数据并存储为例,详细介绍 Python 爬虫的基本流程. ...

  8. python抓取pc端数据_「爬虫四步走」手把手教你使用Python抓取并存储网页数据!...

    爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Python爬虫的基本流程.如果你还在入门爬虫 ...

  9. 以下用于数据存储领域的python第三方库是-『爬虫四步走』手把手教你使用Python抓取并存储网页数据!...

    第一步:尝试请求 首先进入b站首页,点击排行榜并复制链接 https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950 ...

最新文章

  1. CRM系统助家具企业华丽转身
  2. 计算机安全概论论文,计算机安全探讨论文毕业论文(7篇).doc
  3. vue组件之间8种组件通信方式总结
  4. Mac电脑如何输入command(⌘)、option(⌥)、shift(⇧)等特殊符号
  5. 主存储器物理地址,逻辑地址,转换
  6. PS 滤镜算法原理——染色玻璃
  7. Hsiao United Cheap Nike Air Max
  8. Kotlin入门(1)搭建Kotlin开发环境
  9. 服务器后端开发系列——《实战Nginx高性能Web服务器》 (转载)
  10. 安全教育平台账号后四位_安全教育平台登录账号是什么?
  11. XJOI1226 走迷宫
  12. 基于阿里云API的图像文字识别
  13. Python学习笔记(十三):异常处理机制
  14. 魔推mpush:实现精准智能消息推送的五个关键
  15. 如何查看本地是否安装oracle, 查看安装的Oracle客户端版本
  16. 【单片机基础】C51语言基础
  17. 三大c4d人物角色模型素材网站 实用 精选
  18. 室友打了一晚上游戏我学会了使用GDB调试
  19. html写的迷宫游戏,网页开发游戏,js实现游戏
  20. 南水北调新进展: 引江补汉工程加快做好开工准备

热门文章

  1. Postman Could not get any response
  2. MySQL复制表-INSERT INTO SELECT
  3. 奇怪了,ADD方法会少插入字段?
  4. php下intval()和(int)转换使用与区别
  5. Linux之CentOS防火墙及端口操作
  6. 微信小程序里页面滚动到底部
  7. CRMEB开发文档及目录结构
  8. 关于Ajax中文乱码的问题
  9. linux inotifywait脚本,使用inotify/fswatch构建自动监控脚本
  10. android 微信登录点击没翻译,[android] 微信登录,没有唤起微信,直接返回ERR_AUTH_DENIED...