北京房价是天价!毋庸置疑!北漂买的起二手房?Python分析一波
Python爬取赶集网北京二手房数据 入门爬虫一个月,所以对每一个网站都使用了Xpath、Beautiful Soup、正则三种方法分别爬取,用于练习巩固。数据来源如下: 进群:548377875 ?即可获取数十套PDF哦! 哦 天呐这房价! Xpath爬取: 这里主要解决运用Xpath如何判断某些元素是否存在的问题,比如如果房屋没有装修信息,不加上判断,某些元素不存在就会导致爬取中断。 import requests from lxml import etree from requests.exceptions import RequestException import multiprocessing import time headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/55.0.2883.87 Safari/537.36'} def get_one_page(url): try: response = requests.get(url,headers=headers) if response.status_code == 200: return response.text return None except RequestException: return None def parse_one_page(content): try: selector = etree.HTML(content) ALL = selector.xpath('//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div') for div in ALL: yield { 'Name': div.xpath('dl/dd[1]/a/text()')[0], 'Type': div.xpath('dl/dd[2]/span[1]/text()')[0], 'Area': div.xpath('dl/dd[2]/span[3]/text()')[0], 'Towards': div.xpath('dl/dd[2]/span[5]/text()')[0], 'Floor': div.xpath('dl/dd[2]/span[7]/text()')[0].strip().replace(' ',""), 'Decorate': div.xpath('dl/dd[2]/span[9]/text()')[0], #地址需要特殊处理一下 'Address': div.xpath('dl/dd[3]//text()')[1]+div.xpath('dl/dd[3]//text()')[3].replace(' ','')+div.xpath('dl/dd[3]//text()')[4].strip(), 'TotalPrice': div.xpath('dl/dd[5]/div[1]/span[1]/text()')[0] + div.xpath('dl/dd[5]/div[1]/span[2]/text()')[0], 'Price': div.xpath('dl/dd[5]/div[2]/text()')[0] } if div['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price'] == None:##这里加上判断,如果其中一个元素为空,则输出None return None except Exception: return None def main(): for i in range(1,500):#这里设置爬取500页数据,在数据范围内,大家可以自设置爬取的量 url = 'http://bj.ganji.com/fang5/o{}/'.format(i) content = get_one_page(url) print('第{}页抓取完毕'.format(i)) for div in parse_one_page(content): print(div) if __name__ == '__main__': main() Beautiful Soup爬取:import requests import re from requests.exceptions import RequestException from bs4 import BeautifulSoup import csv import time headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,headers = headers) if response.status_code == 200: return response.text return None except RequestException: return None def parse_one_page(content): try: soup = BeautifulSoup(content,'html.parser') items = soup.find('div',class_=re.compile('js-tips-list')) for div in items.find_all('div',class_=re.compile('ershoufang-list')): yield { 'Name':div.find('a',class_=re.compile('js-title')).text, 'Type': div.find('dd',class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出 'Area':div.find('dd',class_=re.compile('size')).contents[5].text, 'Towards':div.find('dd',class_=re.compile('size')).contents[9].text, 'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace(' ',''), 'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text, 'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace(' ', 'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text, 'Price':div.find('div',class_=re.compile('time')).text } #有一些二手房信息缺少部分信息,如:缺少装修信息,或者缺少楼层信息,这时候需要加个判断,不然爬取就会中断。 if div['Name','Price'] == None: return None except Exception: return None def main(): for i in range(1,50): url = 'http://bj.ganji.com/fang5/o{}/'.format(i) content = get_one_page(url) print('第{}页抓取完毕'.format(i)) for div in parse_one_page(content): print(div) with open('Data.csv','a',newline='') as f: # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。 fieldnames = ['Name','Price'] writer = csv.DictWriter(f,fieldnames=fieldnames) writer.writeheader() for item in parse_one_page(content): writer.writerow(item) time.sleep(3)#设置爬取频率,一开始我就是爬取的太猛,导致网页需要验证。 if __name__=='__main__': main() Pycharm中打印如下: 将字典循环直接写入CSV效果如下:
虽然早就知道买不起了,但是一看到事实还真是挺扎心的! 数据清洗 data<-read.csv("E://Data For R/RData/data.csv") DATA<-data[,-c(1,7)]#将Name和Address两列去掉 DATA[sample(1:nrow(DATA),size=10),] #在爬取的时候加入了判断,所以不知道爬取的数据中是否存在缺失值,这里检查一下 colSums(is.na(DATA)) #这里将Type的卧室客厅和卫生间分为三个不同的列 ##这里需要注意,有一些房屋没有客厅如:1室1卫这时候需要单独处理,还有一些没有厕所信息。 library(tidyr) library(stringr) DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室") DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅") ##将卫生间后面的汉字去掉 DATA$Toilet<-str_replace(DATA$Toilet,"卫","") ###如图六,将Halls中带有汉字去掉,因为有一些房屋信息没有客厅,如:1室1厅,在分成卧室和客厅时,会将卫生间分到客厅一列。 DATA$Halls<-str_replace(DATA$Halls,"") ##取出没有客厅信息的数据,这些数据被separate到Halls列 newdata<-DATA[which(DATA$Toilet %in% NA),2] newdata ##将没有客厅的房屋信息Halls列填充为0 DATA[which(DATA$Toilet %in% NA),2]<-0 DATA[which(DATA$Toilet %in% NA),3]<-newdata colSums(DATA=="") Bedrooms Halls Toilet Area Towards Floor Decorate 0 0 2 0 0 0 0 TotalPrice Price 0 0 ##发现有2个厕所没有信息,将其填写为0。 DATA$Toilet[DATA$Toilet == ""]<-0 ##这里将Area后的㎡去掉 DATA$Area<-str_replace(DATA$Area,"㎡","") ##查看Towards的类型 table(DATA$Towards) Towards 北向 东北向 东南向 东西向 东向 南北向 南向 西北向 51 25 23 50 65 32 1901 678 38 西南向 西向 28 26 ##将Floor信息带括号的全部去除 DATA$Floor<-str_replace(DATA$Floor,"[(].*[)]","")##正则表达式 #查看Floor的类别信息 低层 地下 高层 共1层 共2层 共3层 共4层 共5层 中层 632 32 790 36 61 101 68 130 1016 #分别将TotalPrice和Price后面的万元、元/㎡去掉 DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","") DATA$Price<-str_replace(DATA$Price,"元/㎡","") head(DATA) ##将数据转换格式 DATA$Bedrooms<-as.factor(DATA$Bedrooms) DATA$Halls<-as.factor(DATA$Halls) DATA$Toilet<-as.factor(DATA$Toilet) DATA$Area<-as.numeric(DATA$Area) DATA$TotalPrice<-as.numeric(DATA$TotalPrice) DATA$Price<-as.numeric(DATA$Price) DATA$Towards<-as.factor(DATA$Towards) DATA$Decorate<-as.factor(DATA$Decorate) str(DATA) 以上数据清洗完毕。 DATA$Bedrooms<-as.numeric(DATA$Bedrooms) ##这里将卧室数为1、2、3命名为A,4为B,5为C DATA$Bedrooms[DATA$Bedrooms=='1']<-"A" DATA$Bedrooms[DATA$Bedrooms=='2']<-"A" DATA$Bedrooms[DATA$Bedrooms=='3']<-"A" DATA$Bedrooms[DATA$Bedrooms=='4']<-"B" DATA$Bedrooms[DATA$Bedrooms=='5']<-"C" 不同卧室数,TotalPrice不同。且随着卧室数的增多,总价越高,符合大众的认知。 探究Halls与TotalPrice的关系 table(DATA$Halls) 0 1 2 3 4 5 9 20 1674 1050 77 18 1 0 ##5个客厅只有一个个体,我们这里将其排出 DATA<-DATA[-(which(DATA$Halls %in% "5")),] table(DATA$Halls) 0 1 2 3 4 5 9 20 1674 1050 77 18 0 0 ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red") 一般卧室数越多,卫生间数也越多,即卫生间数越多,总价越高。 探究Area与TotalPrice的关系 ggplot(DATA,aes(x=Area,y=TotalPrice)) + geom_point(col='red') 这个完全符合住房面积越大,总价越高。 探究Towards与TotalPrice的关系 ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red") 探究Floor与TotalPrice的关系 ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red") 图中信息显示楼层一共只有1、2、3、地下的总价较高。 探究Decorate与TotalPrice的关系 ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red") 不同装修信息对总价影响较小。 模型建立 模型的F检验拒绝原假设,说明建立的模型是显著的;Ajusted R-squared为0.6815,模型的拟合程度尚可接受。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |