看我如何抓取最新房价数据

经过前几年一轮房价大涨，到现在因为国家大力调控等原因，市场已经褪去热度，正在慢慢变得稳定，价格也相较最高时下降了些。那现在房价到底怎样？接下来又会是怎样的发展的趋势？这里我们就可以通过 Python 把最近的房价数据抓取下来进行分析。

模块安装

这里需要安装以下模块，当然如果已安装就不用再装了：

# 安装引用模块pip3 install bs4pip3 install requestspip3 install lxmlpip3 install numpypip3 install pandas

配置请求头

一般我们在抓取网站时，为了应对网站的反爬机制，我们会把请求的头信息进行封装处理，以下是最简单的处理，就是将请求客户端信息进行随机选择并使用，代码如下：

# 代理客户端列表USER_AGENTS = [    "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 (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 (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 (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",]
# 创建请求头信息def create_headers():    headers = dict()    headers["User-Agent"] = random.choice(USER_AGENTS)    headers["Referer"] = "http://www.ke.com"    return headers

配置代理IP

除了上面配置请求头外，如果你用相同的 IP 大量请求抓取时，很可能会被封 IP，被封后再用这个 IP 请求网站时，会提示你请求超时，为避免被封最好我们通过代理 IP 去抓取，怎样才能找到能用的代理 IP？

# 引入模块from bs4 import BeautifulSoupimport requestsfrom lib.request.headers import create_headers
# 定义变量proxys_src = []proxys = []
# 请求获取代理地址def spider_proxyip(num=10):    try:        url = 'http://www.xicidaili.com/nt/1'        # 获取代理 IP 列表        req = requests.get(url, headers=create_headers())        source_code = req.content        # 解析返回的 html        soup = BeautifulSoup(source_code, 'lxml')        # 获取列表行        ips = soup.findAll('tr')
        # 循环遍历列表        for x in range(1, len(ips)):            ip = ips[x]            tds = ip.findAll("td")            proxy_host = "{0}://".format(tds[5].contents[0]) + tds[1].contents[0] + ":" + tds[2].contents[0]            proxy_temp = {tds[5].contents[0]: proxy_host}            # 添加到代理池            proxys_src.append(proxy_temp)            if x >= num:                break    except Exception as e:        print("获取代理地址异常:")        print(e)

房价数据对象

在这里我们将新房的房价信息，创建成一个对象，后续我们只要将获取到的数据保存成对象，再处理就会方便很多。NewHouse 对象代码如下所示：

# 新房对象class NewHouse(object):    def __init__(self, xiaoqu, price, total):        self.xiaoqu = xiaoqu        self.price = price        self.total = total
    def text(self):        return self.xiaoqu + "," + \                self.price + "," + \                self.total

获取房价信息并保存

好了，做好以上准备，下面我们就以贝壳为例，批量爬取其北京地区新房数据，并保存到本地。其实只要能抓取到数据，想保存成什么格式都可以，当然也可以保存到数据库。这里我主要想说的是如何抓取数据，所以这里就保存成最简单的 txt 文本格式。

# 创建文件准备写入with open("newhouse.txt", "w", encoding='utf-8') as f:    # 获得需要的新房数据    total_page = 1    loupan_list = list()    page = 'http://bj.fang.ke.com/loupan/'    # 调用请求头    headers = create_headers()    # 请求 url 并返回结果    response = requests.get(page, timeout=10, headers=headers)    html = response.content    # 解析返回 html    soup = BeautifulSoup(html, "lxml")
    # 获取总页数    try:        page_box = soup.find_all('div', class_='page-box')[0]        matches = re.search('.*data-total-count="(\d+)".*', str(page_box))        total_page = int(math.ceil(int(matches.group(1)) / 10))    except Exception as e:        print(e)
    print('总页数：' + total_page)    # 配置请求头    headers = create_headers()    # 从第一页开始遍历    for i in range(1, total_page + 1):        page = 'http://bj.fang.ke.com/loupan/pg{0}'.format(i)        print(page)        response = requests.get(page, timeout=10, headers=headers)        html = response.content        # 解释返回结果        soup = BeautifulSoup(html, "lxml")
        # 获得小区信息        house_elements = soup.find_all('li', class_="resblock-list")        # 循环遍历获取想要的元素        for house_elem in house_elements:            price = house_elem.find('span', class_="number")            desc = house_elem.find('span', class_="desc")            total = house_elem.find('div', class_="second")            loupan = house_elem.find('a', class_='name')
            # 开始清理数据            try:                price = price.text.strip() + desc.text.strip()            except Exception as e:                price = '0'
            loupan = loupan.text.replace("\n", "")            # 继续清理数据            try:                total = total.text.strip().replace(u'总价', '')                total = total.replace(u'/套起', '')            except Exception as e:                total = '0'
            # 作为对象保存到变量            loupan = NewHouse(loupan, price, total)            print(loupan.text())            # 将新房信息加入列表            loupan_list.append(loupan)
    # 循环获取的数据并写入到文件中    for loupan in loupan_list:        f.write(loupan.text() + "\n")