用Python抓取某天下楼盘数据

作者：郭恭彦_522 | 来源：互联网 | 2023-09-10 09:30

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，

新房&＃xff0c;因为有着比二手房更好的质量和配套&＃xff0c;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&＃xff0c;然而&＃xff0c;这个过程费时费力。如果能通过技术手段&＃xff0c;将所在城市所有最新楼盘信息获取到&＃xff0c;做一个初筛&＃xff0c;然后再精准实地踩盘&＃xff0c;将是一个不错的思路。

本文通过利用Python技术&＃xff0c;手把手教你爬取房天下任意城市新房数据&＃xff0c;让你更快洞察房地产市场变化&＃xff0c;助你选择最佳的置业或投资的房产标的。

网页分析

我们以上海为例&＃xff0c;首页URL及网页内容如下&＃xff1a;

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

这是上海新盘列表&＃xff0c;合计749个房源信息&＃xff08;每页20个&＃xff09;&＃xff0c;点击下一页&＃xff0c;URL变为&＃xff1a;

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

很显然&＃xff0c;是简单的静态网页&＃xff0c;URL由城市参数&＃xff08;此处为sh&＃xff09;和翻页参数&＃xff08;此处为2&＃xff09;拼接而成。点进一个楼盘&＃xff08;如建邦国宸府&＃xff09;&＃xff0c;查看楼盘详情&＃xff0c;此时URL和网页内容变为&＃xff1a;

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

而这些内容&＃xff0c;才是我们真正要抓取的目标。详情URL由城市参数&＃xff08;此处为sh&＃xff09;和房源id&＃xff08;此处为1210130400&＃xff09;拼接而成&＃xff0c;而房源id大概率藏在首页URL网页源代码中。

那么&＃xff0c;爬虫思路就很清晰了&＃xff1a;遍历首页房源列表获取所有房源id&＃xff0c;拼接详情URL&＃xff0c;遍历获取所有房源详情信息。

爬虫实战

打开Pycharm&＃xff0c;新建一个py文件&＃xff0c;导入爬虫相关包&＃xff1a;

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&＃xff0c;除了最基本的延时&＃xff0c;本次爬虫还加了一些请求头和代理ip&＃xff08;网上down的&＃xff0c;也可以购买&＃xff09;&＃xff0c;让程序从中随机抽取并请求网页。

global user_agents global proxy_list user_agents &＃61; ["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&＃43; (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 &＃61; ["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&＃xff0c;遍历获取所有房源id&＃xff0c;将其存放在列表idlist中&＃xff1a;

def get_id(city):url &＃61; &＃39;https://&＃39; &＃43; city &＃43; &＃39;.newhouse.fang.com/house/s/b91&＃39;user_agent &＃61; random.choice(user_agents)header &＃61; {&＃39;User-Agent&＃39;: user_agent}proxy &＃61; {&＃39;Proxies&＃39;: random.choice(proxy_list)}r &＃61; requests.get(url, headers&＃61;header, proxies&＃61;proxy)time.sleep(2)r.encoding &＃61; &＃39;GBK&＃39;pattern1 &＃61; re.compile(&＃39;(?<&＃61;现有新楼盘)\d&＃43;&＃39;)total &＃61; int(re.findall(pattern1, r.text)[0]) // 20 &＃43; 1idlist &＃61; []for i in range(1, total &＃43; 1):url &＃61; &＃39;https://&＃39; &＃43; city &＃43; &＃39;.newhouse.fang.com/house/s/b9&＃39; &＃43; str(i)user_agent &＃61; random.choice(user_agents)header &＃61; {&＃39;User-Agent&＃39;: user_agent}proxy &＃61; {&＃39;Proxies&＃39;: random.choice(proxy_list)}r &＃61; requests.get(url, headers&＃61;header, proxies&＃61;proxy)time.sleep(2)r.encoding &＃61; &＃39;gb2312&＃39;pattern &＃61; re.compile(&＃39;(?<&＃61;loupan/)\d&＃43;&＃39;)id &＃61; re.findall(pattern, r.text)for j in id:idlist.append(j)# print(idlist)return idlist

定义一个get_data函数&＃xff0c;将房源id传入详情页URL中&＃xff0c;遍历获取所有房源详情信息&＃xff1a;

def get_data(city, id):url &＃61; &＃39;https://&＃39; &＃43; city &＃43; &＃39;.newhouse.fang.com/loupan/&＃39; &＃43; id &＃43; &＃39;/housedetail.htm&＃39;user_agent &＃61; random.choice(user_agents)header &＃61; {&＃39;User-Agent&＃39;: user_agent}proxy &＃61; {&＃39;Proxies&＃39;: random.choice(proxy_list)}r &＃61; requests.get(url, headers&＃61;header, proxies&＃61;proxy)time.sleep(1)r.encoding &＃61; &＃39;utf8&＃39;doc &＃61; pq(r.text)# print(doc)data1 &＃61; doc(&＃39;.ts_linear&＃39;).items()for i in data1:print(i.text())data1 &＃61; doc(&＃39;.list&＃39;).items()for i in data1:print(i.text())

最后&＃xff0c;调用这两个函数&＃xff1a;

id &＃61; get_id(&＃39;sh&＃39;) for i in range(len(id)):get_data(&＃39;sh&＃39;, id[i])

效果演示

更多阅读

2020 年最佳流行 Python 库 Top 10

2020 Python中文社区热门文章 Top 10

5分钟掌握 Python 对象的引用

特别推荐

点击下方阅读原文加入社区会员

推荐阅读

require
技术日志：使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告

技术日志：使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告 ... [详细]

蜡笔小新 2024-11-07 14:33:19
text
网页图像抓取技术学习心得：从零开始掌握爬虫技巧

在今天的实践中，我深入学习了网页图像抓取技术，通过编写爬虫程序批量获取网站上的图片资源。具体来说，我选择了一个包含大量高质量图片的网站作为练习对象，并成功实现了将这些图片批量下载到本地存储。这一过程不仅提升了我对爬虫技术的理解，还增强了我的编程能力。 ... [详细]

蜡笔小新 2024-11-03 19:35:28
text
用阿里云的免费 SSL 证书让网站从 HTTP 换成 HTTPS

HTTP协议是不加密传输数据的，也就是用户跟你的网站之间传递数据有可能在途中被截获，破解传递的真实内容，所以使用不加密的HTTP的网站是不 ... [详细]

蜡笔小新 2024-11-13 14:02:50
client
CentOS 7 中配置开机自动挂载 NFS 的解决方案

本文详细介绍了在 CentOS 7 系统中配置 fstab 文件以实现开机自动挂载 NFS 共享目录的方法，并解决了常见的配置失败问题。 ... [详细]

蜡笔小新 2024-11-13 12:05:24
char
深入解析HTML5字符集属性：charset与defaultCharset

本文将详细介绍HTML5中新增的字符集属性charset和defaultCharset，帮助开发者更好地理解和应用这些属性，以确保网页在不同环境下的正确显示。 ... [详细]

蜡笔小新 2024-11-13 11:09:46
main
在范围[0..n-1]中产生m个不同的随机数 - Generating m distinct random numbers in the range [0..n-1]

Ihavetwomethodsofgeneratingmdistinctrandomnumbersintherange[0..n-1]我有两种方法在范围[0.n-1]中生 ... [详细]

蜡笔小新 2024-11-13 09:49:14
char
网站访问全流程解析

本文详细介绍了从用户在浏览器中输入一个域名（如www.yy.com）到页面完全展示的整个过程，包括DNS解析、TCP连接、请求响应等多个步骤。 ... [详细]

蜡笔小新 2024-11-12 18:13:16
python3
Python 3 Scrapy 框架执行流程详解

本文详细介绍了如何在 Python 3 环境下安装和使用 Scrapy 框架，包括常用命令和执行流程。Scrapy 是一个强大的 Web 抓取框架，适用于数据挖掘、监控和自动化测试等多种场景。 ... [详细]

蜡笔小新 2024-11-12 10:51:15
python3
深入解析浏览器内核与版本的发展历程

浏览器作为我们日常不可或缺的软件工具，其背后的运作机制却鲜为人知。本文将深入探讨浏览器内核及其版本的演变历程，帮助读者更好地理解这一关键技术组件，揭示其内部运作的奥秘。 ... [详细]

蜡笔小新 2024-11-11 13:34:37
string
DVWA学习笔记系列：深入理解CSRF攻击机制

DVWA学习笔记系列：深入理解CSRF攻击机制 ... [详细]

蜡笔小新 2024-11-11 13:19:51
client
理解和优化进程与线程状态转换机制

在Cisco IOS XR系统中，存在提供服务的服务器和使用这些服务的客户端。本文深入探讨了进程与线程状态转换机制，分析了其在系统性能优化中的关键作用，并提出了改进措施，以提高系统的响应速度和资源利用率。通过详细研究状态转换的各个环节，本文为开发人员和系统管理员提供了实用的指导，旨在提升整体系统效率和稳定性。 ... [详细]

蜡笔小新 2024-11-09 18:33:35
char
利用爬虫技术抓取数据，结合Fiddler与Postman在Chrome中的应用优化提交流程

本文探讨了如何利用爬虫技术抓取目标网站的数据，并结合Fiddler和Postman工具在Chrome浏览器中的应用，优化数据提交流程。通过详细的抓包分析和模拟提交，有效提升了数据抓取的效率和准确性。此外，文章还介绍了如何使用这些工具进行调试和优化，为开发者提供了实用的操作指南。 ... [详细]

蜡笔小新 2024-11-09 09:05:16
char
利用Python高效抓取微博文本与动态网页图像数据

本文介绍了使用 Python 编程语言高效抓取微博文本和动态网页图像数据的方法。通过详细的示例代码，展示了如何利用爬虫技术获取微博内容和动态图片，为数据采集和分析提供了实用的技术支持。对于对网络数据抓取感兴趣的读者，本文具有较高的参考价值。 ... [详细]

蜡笔小新 2024-10-31 14:48:38
byte
JavaWeb文件上传：前端实现与后端处理详解

在JavaWeb开发中，文件上传是一个常见的需求。无论是通过表单还是其他方式上传文件，都必须使用POST请求。前端部分通常采用HTML表单来实现文件选择和提交功能。后端则利用Apache Commons FileUpload库来处理上传的文件，该库提供了强大的文件解析和存储能力，能够高效地处理各种文件类型。此外，为了提高系统的安全性和稳定性，还需要对上传文件的大小、格式等进行严格的校验和限制。 ... [详细]

蜡笔小新 2024-11-11 19:50:46
text
在PHP中如何正确调用JavaScript变量及定义PHP变量的方法详解

在PHP中如何正确调用JavaScript变量及定义PHP变量的方法详解 ... [详细]

蜡笔小新 2024-11-11 17:28:29

郭恭彦_522

这个家伙很懒，什么也没留下！

Tags | 热门标签

RankList | 热门文章