【python】爬取杭州市二手房销售数据做数据分析【附源码】

阅读本书更多章节>>>>

欢迎来到英杰社区https://bbs.csdn.net/topics/617804998 

一、背景

        在数据分析和市场调研中，获取房地产数据是至关重要的一环。本文介绍了如何利用 Python 中的 requests、lxml 库以及 pandas 库，结合 XPath 解析网页信息，实现对链家网二手房销售数据的爬取，并将数据导出为 Excel 文件的过程。 

        

二、效果图

      函数功能

getAreasInfo(city): 该函数用于获取指定城市的各区域名称和链接信息，返回一个列表，包含区域名和链接。getSinglePageInfo(city, areaname, pathname): 该函数用于获取单页的二手房销售数据，包括房屋名称、小区名、房屋信息等，返回一个 DataFrame 对象。getSalesData(city): 该函数整合了前两个函数，遍历所有区域获取多页数据，并将结果保存为 Excel 文件。

        数据保存

        爬取的数据经过整理后，以 DataFrame 的形式存储，并最终通过 to_excel() 方法保存为 Excel 文件，便于后续分析和可视化展示。

三、代码讲解

import requests from bs4 import BeautifulSoup import pandas as pd

     如果出现模块报错

        进入控制台输入：建议使用国内镜像源

pip install 模块名称 -i https://mirrors.aliyun.com/pypi/simple

         我大致罗列了以下几种国内镜像源：

清华大学https://pypi.tuna.tsinghua.edu.cn/simple阿里云https://mirrors.aliyun.com/pypi/simple/豆瓣https://pypi.douban.com/simple/ 百度云https://mirror.baidu.com/pypi/simple/中科大https://pypi.mirrors.ustc.edu.cn/simple/华为云https://mirrors.huaweicloud.com/repository/pypi/simple/腾讯云https://mirrors.cloud.tencent.com/pypi/simple/

首先，我们导入了必要的库：

import requestsfrom lxml import etreeimport jsonimport pandas as pd接下来是一些请求所需的头信息和 cookies：cookies = {    # 这里是一些 cookie 信息}​headers = {    # 这里是一些请求头信息}

现在，我们定义了一个函数 getAreasInfo(city)，用于获取各个区域的名称和链接：

def getAreasInfo(city):    # 发送请求，获取页面内容    # 从页面内容中提取区域名称和链接    return districts

然后是另一个函数 getSinglePageInfo(city, areaname, pathname)，用于获取单页的二手房信息：

def getSinglePageInfo(city, areaname, pathname):    # 发送请求，获取页面内容    # 解析页面内容，提取所需的房屋信息    # 将提取的信息保存到 DataFrame 中    return df

接下来是主函数 getSalesData(city)，用于获取整个城市的二手房销售数据并保存到 Excel 文件：

def getSalesData(city):    # 获取各区域信息    # 遍历各区域，调用 getSinglePageInfo() 函数获取数据    # 整合数据到 DataFrame 中    # 将 DataFrame 数据保存为 Excel 文件

最后，在 if __name__ == '__main__': 中，我们调用了 getSalesData('hz') 函数以执行爬取数据的操作。

四、完整代码：

import requestsfrom lxml import etreeimport reimport jsonimport pandas as pdcookies = {    'lianjia_uuid': 'd63243c2-9abd-4016-a428-7272d9bd4265',    'crosSdkDT2019DeviceId': '-5xmwrm-pv43pu-kiaob2z7e31vj11-vs7ndc7b3',    'select_city': '330100',    'digv_extends': '%7B%22utmTrackId%22%3A%22%22%7D',    'ke_uuid': 'bac7de379105ba27d257312d20f54a59',    'sensorsdata2015jssdkcross': '%7B%22distinct_id%22%3A%2218a8d4f86e46b6-0a2c26d29b1766-4f641677-2073600-18a8d4f86e5f7e%22%2C%22%24device_id%22%3A%2218a8d4f86e46b6-0a2c26d29b1766-4f641677-2073600-18a8d4f86e5f7e%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_referrer%22%3A%22%22%2C%22%24latest_referrer_host%22%3A%22%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%7D%7D',    'lianjia_ssid': '6734443f-a11a-49c9-989e-8c5d2dc51185',}headers = {    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7',    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',    'Connection': 'keep-alive',    # 'Cookie': 'lianjia_uuid=d63243c2-9abd-4016-a428-7272d9bd4265; crosSdkDT2019DeviceId=-5xmwrm-pv43pu-kiaob2z7e31vj11-vs7ndc7b3; select_city=330100; digv_extends=%7B%22utmTrackId%22%3A%22%22%7D; ke_uuid=bac7de379105ba27d257312d20f54a59; sensorsdata2015jssdkcross=%7B%22distinct_id%22%3A%2218a8d4f86e46b6-0a2c26d29b1766-4f641677-2073600-18a8d4f86e5f7e%22%2C%22%24device_id%22%3A%2218a8d4f86e46b6-0a2c26d29b1766-4f641677-2073600-18a8d4f86e5f7e%22%2C%22props%22%3A%7B%22%24latest_traffic_source_type%22%3A%22%E7%9B%B4%E6%8E%A5%E6%B5%81%E9%87%8F%22%2C%22%24latest_referrer%22%3A%22%22%2C%22%24latest_referrer_host%22%3A%22%22%2C%22%24latest_search_keyword%22%3A%22%E6%9C%AA%E5%8F%96%E5%88%B0%E5%80%BC_%E7%9B%B4%E6%8E%A5%E6%89%93%E5%BC%80%22%7D%7D; lianjia_ssid=6734443f-a11a-49c9-989e-8c5d2dc51185',    'Referer': 'https://hz.ke.com/ershoufang/pg2/',    'Sec-Fetch-Dest': 'document',    'Sec-Fetch-Mode': 'navigate',    'Sec-Fetch-Site': 'same-origin',    'Sec-Fetch-User': '?1',    'Upgrade-Insecure-Requests': '1',    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0',    'sec-ch-ua': '"Chromium";v="122", "Not(A:Brand";v="24", "Microsoft Edge";v="122"',    'sec-ch-ua-mobile': '?0',    'sec-ch-ua-platform': '"macOS"',}# 获取区的名称和路由def getAreasInfo(city):    responseinit = requests.get(        f'https://{city}.ke.com/ershoufang', cookies=cookies, headers=headers)    html_text_init = etree.HTML(responseinit.text)    districts = [z for z in zip(html_text_init.xpath('//a[@class=" CLICKDATA"]/text()'),                                html_text_init.xpath('//a[@class=" CLICKDATA"]/@href'))]    return districts# 获取页面数据def getSinglePageInfo(city, areaname, pathname):    response1 = requests.get(        f'https://{city}.ke.com{pathname}pg1/', cookies=cookies, headers=headers)    html_text1 = etree.HTML(response1.text)    # 获取页面总数    pageInfo = html_text1.xpath(        '//div[@class="page-box house-lst-page-box"]/@page-data')    # 数据较多，可以先设置2页，看看是否可以导出    # pageTotal = json.loads(pageInfo[0])['totalPage']    pageTotal = 2    title = []    position = []    house = []    follow = []    totalPrice = []    unitPrice = []    url = []    for i in range(1, pageTotal+1):        response = requests.get(            f'https://{city}.ke.com{pathname}pg{i}/', cookies=cookies, headers=headers)        html_text = etree.HTML(response.text)        ullist = html_text.xpath(            '//ul[@class="sellListContent"]//li[@class="clear"]')        for li in ullist:            liChildren = li.getchildren()[1]            # 名称            title.append(liChildren.xpath('./div[@class="title"]/a/text()')[0])            # url 地址            url.append(liChildren.xpath('./div[@class="title"]/a/@href')[0])            # 小区名称            position.append(liChildren.xpath(                './div/div/div[@class="positionInfo"]/a/text()')[0])            # 房屋信息            houselis = liChildren.xpath(                './div/div[@class="houseInfo"]/text()')            house.append([x.replace('\n', '').replace(' ', '')                         for x in houselis][1])            # 上传时间            followlis = liChildren.xpath(                './div/div[@class="followInfo"]/text()')            follow.append([x.replace('\n', '').replace(' ', '')                          for x in followlis][1])            # 总价            totalPrice.append(liChildren.xpath(                './div/div[@class="priceInfo"]/div[@class="totalPrice totalPrice2"]/span/text()')[0].strip())            # 单价            unitPrice.append(liChildren.xpath(                './div/div[@class="priceInfo"]/div[@class="unitPrice"]/span/text()')[0].replace('元/平', ""))    return pd.DataFrame(dict(zip(['行政区域', '名称', '小区名', '房屋信息', '发布时间', '总价（万）', '单价（元/平）', '地址'],                                 [areaname, title, position, house, follow, totalPrice, unitPrice, url])))def getSalesData(city):    districts = getAreasInfo(city)    dfInfos = pd.DataFrame()    for district in districts:        dfInfo = getSinglePageInfo(city, district[0], district[1])        dfInfos = pd.concat([dfInfos, dfInfo], axis=0)    dfInfos.to_excel(f'{city}二手房销售数据.xlsx', index=False)if __name__ == '__main__':       getSalesData('hz')    pass

阅读本书更多章节>>>>

本文链接：https://www.kjpai.cn/xuetang/2024-03-23/147709.html，文章来源：网络cs，作者：往北，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！