Python爬取北京二手房数据，北漂买房分析及源码分享

作者 徐麟

本文经授权转自公众号数据森麟（ID: shujusenlin）

房价高是北漂们一直关心的话题，本文就对北京的二手房数据进行了分析。

本文主要分为两部分：Python爬取赶集网北京二手房数据，R对爬取的二手房房价做线性回归分析，适合刚刚接触Python&R的同学们学习参考。

01

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：

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 requestsfrom lxml import etreefrom requests.exceptions import RequestExceptionimport multiprocessingimport timeheaders = {    '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 Nonedef 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('\n', ""),                '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('\n','')+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 Nonedef 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 requestsimport refrom requests.exceptions import RequestExceptionfrom bs4 import BeautifulSoupimport csvimport timeheaders = {'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 Nonedef 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('\n',''),                'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,                'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''),                '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', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:                return None    except Exception:        return Nonedef 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', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', '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()

正则爬取：我研究了好久，还是没有解决。

这一过程中容易遇见的问题有：

import os #查看pyhton 的默认工作目录print(os.getcwd())#修改时工作目录os.chdir('e:\\workpython')print(os.getcwd())#输出工作目录e:\workpython

Pycharm中打印如下：

将字典循环直接写入CSV效果如下：

02

R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

数据的说明

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,"卫","")##取出没有客厅信息的数据，这些数据被separate到Halls列newdata<-DATA[which(DATA$Toilet %in% NA),2]newdata##将没有客厅的房屋信息Halls列填充为0DATA[which(DATA$Toilet %in% NA),2]<-0DATA[which(DATA$Toilet %in% NA),3]<-newdatacolSums(DATA=="")  Bedrooms      Halls     Toilet       Area    Towards      Floor   Decorate          0          0          2          0          0          0          0 TotalPrice      Price          0          0 ##发现有2个厕所没有信息,将其填写为0。DATA$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)