老猫我在南五环租了一个80平两居室，租房合同马上到期，房东打电话问续租的事，想要加房租；我想现在国家正在在抑制房价，房子价格没怎么涨，房租应该也不会涨，于是霸气拒绝了，以下是聊天记录：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
确认不续租之后，两三年没找过房的我上网搜索租房，没想到出来一坨自如，蛋壳，贝壳等中介网站；进去看看，各种房照非常漂亮，但是一看房租，想送给自己一首《凉凉》；附近房租居然比我当前房租高1000多RMB；自我安慰下，这些网站房源价格不是真实的，于是切换到我爱我家，链家等大中介平台，结果发现房租价格都差不多；心想这才几年，如果两年前对自己狠点买了房，房租都够还房贷了。为了生存，不甘心的我，决定把这些大网站的房源信息抓取下来进行分析，帝都这么大总有一套适合自己。
说干就干，先找到市场上主要的中介平台，我主要关注我爱我家、链家、贝壳，还有其他类的长租公寓例如自如，蛋壳等；经过查资料还发现一个问题，好像链家、贝壳、自如是一个大老板，链家房源和自如的都是混到一起的，整的我一个头大；而贝壳类似于京东，不仅自己自营，还允许其他中介商来入住这个平台，这老板脑瓜子真是好使，折腾半天把数据都掌握在自己手里，总感觉这些年房价与房租上涨和这个货有种说不清的关系。
最后决定使用Python抓取链家，我爱我家，与贝壳网租房信息。
老猫租住小区门口就有一链家，每天西装革履的经纪人在小区里晃悠；先从链家下手，抓取与分析过程如下：
1：查看链家房源信息，决定抓取数据；
2：数据请求行为分析；
3：分析实现这个功能所使用知识点，
4：抓取代码实现与调试；
5：对出租房源信息进行分析；
1.使用浏览器查看要抓取信息：
借助浏览器打开链家主页，找到租房菜单，查看要抓取信息；
地址：https://bj.lianjia.com/zufang/ ；
页面信息如下图：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
从当前信息中可以看到，链家有近19000套在线房源（某些为单间，一些为北三县）；
根据页面信息确认抓取信息，主要包括：所属小区，户型，面积，价格，所属区域，具体地址，房龄，房屋编号及详情页地址；确认抓取信息后，分析请求行为，进行抓取。
2.请求行为分析：
使用浏览器打开页面，查看请求过程，主要分几步进行抓取：
1> 请求首页：https://bj.lianjia.com/zufang/ ；
2>解析北京下属区域对应url，注意：这里不包括燕郊与香河；
3>按照行区域逐页抓取并提取页面房源信息，直到抓取结束；
整个请求过程如下：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
确认抓取过程后，分析抓取过程使用的知识点。
3.知识点分析：
整个抓取过程分为请求数据，提取信息，数据保存，老猫这边使用Python实现，主要知识点如下：
1>请求数据：requests模块；
2>提取信息：BeautifulSoup模块；
3>数据保存：csv格式存储，csv模块；
请求行为与知识点分析完成后，老猫在Jupyter下完成了单页数据抓取与信息提取，具体过程这里不详细讲解，直接上最终代码。
4.链家出租房源信息抓取实现：
老猫使用类实现抓取与信息提取，快速描述实现过程：
1>整理思路，确认要做的事情，分步实现；
2>根据请求与提取行为定义类与相关方法；
3>将Jupyter下实现填充到对应方法中；
4>存储类实现；
5>代码调试与运行；
最终代码如下：
#coding=utf-8
#Author: qimao
import requests
from bs4 import BeautifulSoup
import json
import csv
import time
class CsvSaveModule(object):
#存储csv类
def __init__(self, fname = "info.csv"):
self.f = open(fname, 'w', encoding='utf-8')
self.fcsv = csv.writer(self.f)
self.head = True
def write(self, keys, data):
#写入字段
if self.head:
self.head = False
self.fcsv.writerow(keys)
#获取并写入数据
values = [data.get(key, "") for key in keys]
self.fcsv.writerow(values)
def close(self):
self.f.close()
class SpiderMoujia(object):
def __init__(self, *args):
'args:保存数据对象'
self.urlhead = 'https://bj.lianjia.com/'
self.hds = args
def reqPage(self, url):
num = 0
#一个页面最多尝试请求三次
while num < 3:
#请求页面信息,添加请求异常处理，防止某个页面请求失败导致整个抓取结束，
try:
if url:
req = requests.get(url)
if req.status_code == 200:
#返回BeautifulSoup对象
return BeautifulSoup(req.text, 'html5lib')
except:
pass
time.sleep(3)
num += 1
def startCrawler(self, url):
#抓取对外接口，Url为种子url
self.startRequest(url)
self.close()
def startRequest(self, url):
#开始抓取
obj = self.reqPage(url)
areas = obj.find('div', class_="option-list")
#提取区域信息：海淀，朝阳，....
listarea = areas.select('a[href^="/zufang/"]')
for area in listarea[1:]:
aurl = self.urlhead + area.get('href')
district = area.text.strip()
#按照区域进行抓取
self.crawlerArea(aurl,district)
def crawlerArea(self, url, district):
#print('crawlerArea', url)
page = self.reqPage(url)
if not page:
return
#解析页面信息
self.parsePage(page,district)
#获取下一页地址
nextpage = self.getNextPage(page)
if nextpage:
urlhead = url.rsplit('/',1)[0]
nexturl = '/'.join([urlhead, nextpage])
#继续请求下一页
self.crawlerArea(nexturl,district)
def extractInfo(self, node, css):
snode = node.select_one(css)
val = ''
if snode and snode.text:
val = snode.text.strip()
return val
def parsePage(self, page,district):
#主要功能，提取页面信息
listhouse = page.select('#house-lst > li')
#定义出提取字段
keys = ['信息', '小区', '户型', '价格', '面积', '区域',
'位置', '楼层', '年份', '附加信息', '房屋ID', '详情页地址']
for house in listhouse:
hinfo = []
#提取title, 小区，户型，价格，面积
cssexpress = ['h2 a', '.where a', '.zone', '.num','.meters']
info = house.select_one(".info-panel")
if not info:
continue
for express in cssexpress:
hinfo.append(self.extractInfo(info, express))
#添加区域
hinfo.append(district)
#区域，楼层，年代
hinfo.extend(info.select_one('.con').text.split('/'))
#房子其他信息，例如：地铁，阳台，供暖等
spans = info.select_one('.view-label')
hpoint = ','.join((spans.stripped_strings))
hinfo.append(hpoint)
#房子ID号，唯一标识
hinfo.append(house.get('data-id'))
#房租详情页url
hinfo.append(info.select_one('h2 a').get('href'))
#转换成字典
housedata = dict(zip(keys, hinfo))
print (housedata)
self.saveData(housedata)
def getNextPage(self, page):
try:
#获取下一页
pagenode = page.select_one('.page-box')
pageinfo = pagenode.get('page-data')
jdata = json.loads(pageinfo)
curpage = jdata.get('curPage')
total = jdata.get('totalPage')
if (curpage < total):
return 'pg%d'%(int(curpage+1))
except:
print('error')
pass
def saveData(self, data):
#按照顺序保存数据
keys = ['信息', '小区', '户型', '价格', '面积', '区域',
'位置', '楼层', '年份', '附加信息', '房屋ID', '详情页地址']
[hd.write(keys, data) for hd in self.hds]
def close(self):
#列表解析关闭存储模块
[hd.close() for hd in self.hds]
if __name__ == '__main__':
#开始抓取
url = 'https://bj.lianjia.com/zufang/'
csvhd = CsvSaveModule('ljinfo.csv')
spider = SpiderMoujia(csvhd)
spider.startCrawler(url)
运行过程如下图：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
最终获取了1W多套出租房信息，到这里我完成链家出租房源信息抓取。
5.我爱我家与贝壳抓取分析。
我爱我家是一个老牌的房地产中介，老猫来帝都10年了，毕业当年大部分同学干了当年认为比较正统的工作，一个另类同学去了我爱我家做中介，早些年他经常群里发消息，给我们介绍房源，大家认为他是推销，很少有人理他；最近同学聚会见面我问他：你当年为什么不在使劲逼着我买房？同学抬起头，吸了一口烟吐了一圈，说了一句话，让我感觉夏天顿时凉爽了许多：'逼你你也买不起，逼你你也买不起，逼你你也买不起，重要事情说三遍'，感觉友谊的小船就要翻了。
下面我们来看我爱我家出租房源页面信息，如下图：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
从页面中我们可以看到，我爱我家有3.2万套出租房源，房源信息比较直观；通过分析发现抓取我爱我家请求行为与抓取链家类似，不同之处在于提取数据与提取过程；我们可以在基于链家爬虫进行修改实现；具体实现过程在这里不详细讲解，直接上抓取部分结果：
区域,地址,小区,价格,面积,楼层,装修,地铁附近,户型,朝向,信息,附加信息,详情
朝阳,望京,宝星国际,8000,64 平米,低楼层/25层,精装,距离地铁望京东450米,1 室 1 厅,南,宝星国际紧邻望京SOHO 阿里巴巴 精装朝南大开间,"近地铁,随时看,拎包入住,押金减免",/zufang/41330436.html
朝阳,望京,炫彩嘉轩,6500,60 平米,中楼层/21层,精装,距离地铁望京东760米,1 室 0 厅,南,炫彩一居室老业主委托 我有钥匙 邻望京SOHO,"近地铁,可短租,拎包入住,集中供暖",/zufang/41348206.html
朝阳,望京,宝星国际,8500,64 平米,高楼层/25层,精装,距离地铁望京东450米,1 室 1 厅,南北,望京SOHO旁宝星国际，邻阿里巴巴，绿地，南向大开间,"近地铁,随时看,拎包入住,押金减免",/zufang/41331126.html
朝阳,CBD,阳光100国际公寓,9500,48 平米,低楼层/33层,精装,距离地铁大望路391米,1 室 1 厅,北,阳光100国际公寓精装开 二次装修有钥匙看房方便,"近地铁,随时看,免佣,拎包入住",/zufang/41330729.html
朝阳,望京,朝庭公寓,13000,112 平米,高楼层/27层,精装,距离地铁望京南476米,2 室 1 厅,南北,望京南朝庭公寓，邻悠乐汇和方恒国际，看房有钥匙，随时看房,"近地铁,随时看,免佣,拎包入住",/zufang/41337320.html
朝阳,石佛营,日月东华,6700,66.3 平米,顶层/21层,精装,距离地铁十里堡1072米,1 室 1 厅,南,石佛营新上婚房一居拎包入住 看房预约,"近地铁,拎包入住,集中供暖",/zufang/41348814.html
朝阳,惠新西街,胜古北里,2800,58 平米,底层/5层,精装,距离地铁惠新西街南口232米,3 室 1 厅,北,随时看 随时住三家合住正规中卧室精装修,"近地铁,随时看,拎包入住,集中供暖",/zufang/41338276.html
朝阳,潘家园,弘善家园,5300,61 平米,中楼层/13层,精装,距离地铁十里河691米,1 室 1 厅,南,十里河 潘家园10号线 弘善家园精装正规一居 拎包入住,"近地铁,拎包入住",/zufang/41334177.html
朝阳,东坝,朝阳新城一区,6500,114 平米,中楼层/6层,精装,,2 室 1 厅,南北,朝阳新城一区两室一厅,随时看,/zufang/41351101.html
朝阳,十里堡,十里堡,6000,60 平米,底层/4层,中装,距离地铁十里堡781米,2 室 1 厅,南北,6号线 十里堡 南北两居带小院子 居家必备,"近地铁,随时看,集中供暖",/zufang/41345370.html
朝阳,十里堡,十里堡北里,5000,50 平米,中楼层/13层,中装,距离地铁十里堡371米,1 室 1 厅,南北,十里堡 八里庄北里 晨光家园 随时看,"近地铁,免佣",/zufang/41342158.html
朝阳,南沙滩,南沙滩小区,7000,65 平米,中楼层/6层,精装,距离地铁北沙滩775米,2 室 1 厅,南北,南沙滩 中间层两居室 临地铁北辰中科院 有钥匙,"近地铁,随时看,拎包入住",/zufang/41341943.html
朝阳,管庄,管庄周井大院,6000,72 平米,中楼层/5层,精装,距离地铁双桥604米,3 室 1 厅,南北,管庄周井大院精装三居室出租 随时入住,"近地铁,随时看,拎包入住,集中供暖",/zufang/41339579.html
朝阳,百子湾,金泰先锋,10000,92 平米,底层/11层,精装,距离地铁百子湾437米,2 室 1 厅,南北,金泰先锋 南北两室一厅一厨一卫,"近地铁,拎包入住,集中供暖",/zufang/41328442.html
朝阳,北苑,蕴实园,5800,66.37 平米,中楼层/14层,精装,距离地铁北苑571米,1 室 1 厅,南,钥匙房源，看房随时。,"近地铁,随时看,拎包入住",/zufang/41349514.html
朝阳,芍药居,芍药居,13000,118.38 平米,中楼层/14层,简装,距离地铁芍药居116米,3 室 1 厅,南,芍药居南里精装修三室一厅,"近地铁,随时看,拎包入住,集中供暖",/zufang/41348855.html
朝阳,双桥,东一时区,4500,65 平米,中楼层/26层,精装,距离地铁管庄1214米,1 室 1 厅,西北,管庄 东一时区 精装一居室 家电齐全 随时入住看房,"近地铁,拎包入住,集中供暖",/zufang/41346286.html
...
最后我们来看贝壳抓取，贝壳是近些年起来的中介平台，有点类京东，不仅有链家，自如房源，还有其他家；除了贝壳，还有其他很多短租长租平台，例如小猪短租，蛋壳等；
有时候我常思考一个问题：
负能量：这些网站都是IT开发人员搞得，我们都是一个行业，为什么要自己坑自己。如果没有这么多中介平台去抢房源，炒房价，价格可能落下来；
正能量：中介商根据市场需求搭建中介平台，使广大租客可以从正规渠道租房，远离黑中介，给我们省去很多租房过程中遇到难题与烦恼，我们应该感谢这些中介商。
下面我们看下贝壳网页面信息：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
贝壳房源信息中除了基本信息，还包括房源属于哪个中介商，例如：自如，链家等；贝壳抓取过程和链家也是类似的，具体实现在这里不做讲解，直接看我们抓取的数据：
中介商,价格,面积,信息,区域,位置,户型,楼层,附加信息,详情页地址
链家,14000,84㎡,整租 · 海运仓小区 3室1厅 14000元,东城,东直门,3室1厅1卫,低楼层（7层）,"近地铁,精装,集中供暖",/zufang/BJ2058598225715675136.html
链家,9200,89㎡,整租 · 安定门 安德路 精装修大两居 可拎包入住,东城,安定门,2室1厅1卫,高楼层（19层）,"近地铁,精装",/zufang/BJ2047499309347512320.html
链家,6000,61㎡,整租 · 安化南里 1室1厅 6000元,东城,广渠门,1室1厅1卫,低楼层（16层）,"近地铁,新上,随时看房",/zufang/BJ2062732570394894336.html
链家,3500,14㎡,整租 · 南剪子巷 1室1厅 3500元,东城,东四,1室1厅0卫,低楼层（1层）,"近地铁,新上,随时看房",/zufang/BJ2064894449783685120.html
链家,25000,158㎡,整租 · 东城逸墅南北通透大三居 婚房出租 可看房 家具齐全,东城,工体,3室1厅2卫,中楼层（7层）,"近地铁,精装,集中供暖,双卫生间,随时看房",/zufang/BJ2034641117466591232.html
城家精选公寓,11300,43㎡,整租 · 元嘉国际公寓 1室0厅,东城,东直门,1室0厅1卫,未知（10层）,"公寓,租房节,七天换租,近地铁,精装,集中供暖,免中介费,押一付一,新上",/zufang/BJ2066558104174067712.html
链家,28000,207㎡,盛德大厦 4室2厅 28000元,东城,和平里,4室2厅2卫,中楼层（20层）,"近地铁,集中供暖,随时看房",/zufang/BJ2049715273455910912.html
龙源易家,3500,26㎡,合租 · 海运仓小区 3室1厅,东城,东直门,3室1厅1卫,未知（6层）,"限女生,限男生,独立卫生间,租房节,近地铁,精装,独立阳台,集中供暖,免中介费,新上",/zufang/BJ2066335711790891008.html
...
房源信息抓取完成后保存到csv文件中，然后对数据进行分析，找到适合自己的那一套。
5.房源价格分析：
老猫算了下，三个平台数据加起来差不多7W套左右（链家数据和贝壳有重复，同一个房源可同时挂在不同中介商下），所有应该到不了7W套。
老猫使用Python中的matplotlib, pandas, seaborn, pyecharts对数据进行分析。
5.1 链家各区房源数量，最高价，最低价，均值统计：
#pandas导入文件
pathlj = ljinfo.csv'
ljdata = pd.read_csv(pathlj)
#按区域分组
r = ljdata.groupby('区域')
#根据价格统计最大、最小、均值、数量
r.价格.agg(['max', 'min', 'mean', 'count'])
结果如下：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
使用柱状图描述各区房源数量与均价：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
在来分析下链家，贝壳与我爱我家各区域房源统计结果：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
通过统计结果可以看到：我爱我家房源比链家，贝壳要多，假设房源都是真是的，如果要在朝阳，海淀租房可以选择我爱我家。
5.2 分析北京各辖区出租房源的价格分布：
当前数据中，出租房源参差不齐，面积价格都不一样，不能统一统计，通过箱状图看房租价格统计，具体实现如下：
#文件路径
pathlj = 'ljinfo.csv'
#pandas导入
ljdata = pd.read_csv(pathlj)
#过滤掉房租价格大于1W的，老猫认为这辈子也不会租这样的房
data = ljdata[ljdata.价格 < 10000]
plt.figure(figsize=(10,4))
#箱状图查看房租价格整体趋势
sns.boxplot(x='区域',y ='价格', data=data)
输出结果：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
简单介绍下箱状图：箱状图使用四分位数表述数据分布情况，中间矩形表示25%到75%之间数据分布，超过上限和下限认为是异常值；
再来看我爱我家与贝壳统计结果，如下图：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
从图中可以看到帝都核心区域房租明显比郊区高很多，东城最低房源价格都得两千多，亦庄虽然在五环外，但是因为是开发区，有很多大公司入住，所有房价较高；房源选择上，我爱我家价格感觉比其他两个平台要高。
现在我对北京租房价格有了全新认识，我主要想找70到85平左右小两居，需要找到各区这个面积范围内房源及其对应价格，我对链家数据进行下面操作：
import re
#数据整理，将字符串转成数字
def func(size):
s = re.search(r'\d+', size)
if s:
return int(s.group())
return pd.np
#pandas导入数据
pathlj = 'jinfo.csv'
ljdata = pd.read_csv(pathlj)
data = ljdata.面积.to_frame()
#整理面积数据
r = data.applymap(func)
#添加新的列
ljdata['hsize'] = r.面积
#清洗无面积房源
rdata = ljdata.dropna(subset=['hsize'])
#整理70~85平米之间房源
rdata = rdata[(rdata.hsize>70) & (rdata.hsize < 85)]
#过滤掉价格大于1W的房源
rdata = rdata[rdata.价格<10000]
#统计最小值，最大值，均值
rdata.价格.agg(['min', 'max', 'mean'])
输出结果如下：
min 2500.0
max 9890.0
mean 5997.4
经过分析，老猫感觉3000左右可以租到想要的房子，然后统计各个辖区内房源面积在70~85平之间的价格分布，结果如下：
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
核心区域价格确实高，老猫想找大兴和亦庄开发区附近房子，价格好像超出老猫预算，我租住房屋面积75，房租3100，房东加800也才不到4000，根据分析结果看，找4000左右的两居室感觉也没那么容易；再找一下大兴和亦庄开发区的房子，具体实现如下：
tdata = rdata[rdata.区域.isin(['大兴','亦庄开发区'])]
#大兴与亦庄房子数据
print(len(tdata))
#房源均价，最低，最高值
print(tdata.价格.agg(['mean', 'min', 'max']))
#房源价格小于4000
print(len(tdata[tdata.价格<4000]))
输出结果如下：
109
mean 4907.889908
min 3100.000000
max 9000.000000
21
找到21套价格小于4000房源，看下房源信息，多是老旧楼，或者高楼层没电梯，好容易有合适的，打电话咨询，已经租出去了；链家都已经这样了，估计我爱我家，贝壳也类似。
思前想后，感觉还是现在房东最好，赶紧给她联系续租，以下聊天记录。
房东要涨800房租，我用Python抓取帝都几万套房源信息，主动涨了1000。
这波涨租潮，对老猫来说就这样过去了，看着满屏幕房源信息，我不知道明年房租是否还会疯长；现在老猫的租房竞争对手不仅是众多北漂，还有实力更为雄厚的自如、蛋壳等各种中介商，为了生存，今年必须要更加努力了。
最后打个小广告，有对爬虫和数据分析感兴趣同学可以购买奇猫的专栏《Python爬虫与数据分析》
另外，如果感觉还行可以关注奇猫的视频课程或者微职位。
©著作权归作者所有：来自51CTO博客作者奇猫的原创作品，如需转载，请注明出处，否则将追究法律责任
共同学习，写下你的评论
评论加载中...
作者其他优质文章
