北京房价是天价！毋庸置疑！北漂买的起二手房？Python分析一波

发布时间：2020-12-17 01:02:40 所属栏目：Python 来源：网络整理

导读：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

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：

很多初学者对于Address不知如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。

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!