鏈家二手房樓盤爬蟲

前言

想看下最近房價是否能入手，抓取鏈家 二手房 、 新房 的信息，發現廣州有些精裝修 88平米 的 3房2廳 首付只要 29 萬！平均 1.1萬/平：

查看請求信息

本次用的是火狐瀏覽器32.0配合 firebug 和 httpfox 使用，基於 python3 環境，前期步驟：

1. 首先打開 firefox 瀏覽器，清除網頁全部的歷史紀錄，這是爲了防止之前的 Cookie 影響服務器返回的數據。
2. F12 打開 firebug ，進入鏈家手機端首頁https://m.lianjia.com，點擊 網絡 -> 頭信息 ，查看請求的頭部信息。

發現請求頭信息以下，這個是後面要模擬的：

Host: m.lianjia.com
User-Agent: Mozilla/5.0 (Windows NT 6.3; WOW64; rv:32.0) Gecko/20100101 Firefox/32.0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
Accept-Language: zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3
Accept-Encoding: gzip, deflate
Connection: keep-alive

查看導航連接

點擊 firebug 的查看元素箭頭，選中導航查看元素：

發現導航的主要是在 class=inner post_ulog 的超連接元素 a 裏面，這裏用 BeautifulSoup 抓取名稱和 href 就好，最後組成一個字典：

# 獲取引導頻道
def getChannel(html):
    channelDict = {}
    soup = BeautifulSoup(html, "html.parser")
    channels = soup.find_all("a", attrs={"class": "inner post_ulog"})
    for channel in channels:
        list_tmp = channel.find_all("div", attrs={"class": "name"})
        channelName = list_tmp[0].get_text()
        channelHref = channel.get('href')
        channelDict[channelName] = channelHref
    return channelDict

結果以下：

{'海外': '/i/', '賣房': '/bj/yezhu/', '新房': '/bj/loupan/fang/', '找小區': '/bj/xiaoqu/', '查成交': '/bj/chengjiao/', '租房': '/chuzu/bj/zufang/', '二手房': '/bj/ershoufang/index/', '寫字樓': 'https://shang.lianjia.com/bj/'}

獲取城市編碼

點擊頁面低於按鈕，獲取城市編碼：

發現城市的編碼主要在 class=block city_block 的 div 裏面，以下抓取全部就好，這裏須要的是廣州，廣州的城市編碼是 gz ：

# 獲取城市對應的縮寫
def getCity(html):
    cityDict = {}
    soup = BeautifulSoup(html, "html.parser")
    citys = soup.find_all("div", attrs={"class": "city_block"})
    for city in citys:
        list_tmp = city.find_all('a')
        for a in list_tmp:
            cityHref = a.get('href')
            cityName = a.get_text()
            cityDict[cityName] = cityHref

    return cityDict

結果以下：

{'文昌': '/wc/', '大理': '/dali/', '威海': '/weihai/', '達州': '/dazhou/', '中山': '/zs/', '佛山': '/fs/', '呼和浩特': '/hhht/', '合肥': '/hf/', '南昌': '/nc/', '昆明': '/km/', '定安': '/da/', '宜昌': '/yichang/', '襄陽': '/xy/', '嘉興': '/jx/', '廈門': '/xm/', '青島': '/qd/', '株洲': '/zhuzhou/', '西安': '/xa/', '泉州': '/quanzhou/', '濟南': '/jn/', '澄邁': '/cm/', '濰坊': '/wf/', '保定': '/bd/', '綿陽': '/mianyang/', '重慶': '/cq/', '儋州': '/dz/', '南充': '/nanchong/', '南京': '/nj/', '北京': '/bj/', '杭州': '/hz/', '滁州': '/cz/', '咸寧': '/xn/', '瓊海': '/qh/', '洛陽': '/luoyang/', '紹興': '/sx/', '廊坊': '/lf/', '惠州': '/hui/', '南通': '/nt/', '上饒': '/sr/', '湛江': '/zhanjiang/', '秦皇島': '/qhd/', '黃石': '/huangshi/', '武漢': '/wh/', '天津': '/tj/', '哈爾濱': '/hrb/', '黃岡': '/hg/', '龍巖': '/ly/', '長春': '/cc/', '珠海': '/zh/', '邢臺': '/xt/', '三亞': '/san/', '北海': '/bh/', '太原': '/ty/', '德陽': '/dy/', '萬寧': '/wn/', '承德': '/chengde/', '五指山': '/wzs/', '陵水': '/ls/', '成都': '/cd/', '深圳': '/sz/', '咸陽': '/xianyang/', '煙臺': '/yt/', '東莞': '/dg/', '清遠': '/qy/', '西雙版納': '/xsbn/', '鄭州': '/zz/', '淮安': '/ha/', '漳州': '/zhangzhou/', '常德': '/changde/', '邯鄲': '/hd/', '上海': '/sh/', '開封': '/kf/', '蘇州': '/su/', '衡水': '/hs/', '無錫': '/wx/', '廣州': '/gz/', '銀川': '/yinchuan/', '徐州': '/xz/', '大連': '/dl/', '海口': '/hk/', '晉中': '/jz/', '福州': '/fz/', '新鄉': '/xinxiang/', '瀋陽': '/sy/', '瓊中': '/qz/', '樂東': '/ld/', '淄博': '/zb/', '眉山': '/ms/', '寧波': '/nb/', '張家口': '/zjk/', '保亭': '/bt/', '長沙': '/cs/', '臨高': '/lg/', '石家莊': '/sjz/', '許昌': '/xc/', '鎮江': '/zj/', '樂山': '/leshan/', '貴陽': '/gy/'}

模擬請求二手房

點擊二手房連接進入二手房列表頁面，發現列表頁面的 url 是 https://m.lianjia.com/bj/ershoufang/index/ ，把網頁往下拉進行翻頁，發現下一頁的 url 構造爲：

只是在原來的網址後面添加了頁碼 pg1 ，可是在 httpfox 裏面驚奇的發現了一段 json：

• 對於爬蟲的各位做者有個忠告：能抓取json就抓取json！* json 是一個 API 接口，相比於網頁來講更新頻率低，網頁架構很容易換掉，可是 API 接口通常不會換掉，且換掉後維護的成本比網頁低。試想，接口只是一個 dict ，若是更新只要在代碼裏面改 key 就行了；而網頁更新後，須要改的是 bs4 裏面的元素，對於之後開發過多的爬蟲來講，維護特別麻煩！

因此對於這裏確定是抓取 json，查看頭部：

頭部須要攜帶 cookie ！

因此這裏須要攜帶 cookie。而 requests 自己就有抓取攜帶 cookie 的寫法。那麼做者就在從獲取導航連接、城市編碼都獲取更新 cookie。而在每一次 requests 請求的時候，返回 cookie 的代碼爲：

session.get(url, headers=headers)
html_set_cookie = requests.utils.dict_from_cookiejar(session.cookies)

那麼在導航連接、城市編碼的時候，不單單返回網頁的 html ，還多返回一個 cookie ：

print("構建城市編碼url")
url_get_city = url_ori + "/city/"
print("獲取城市編碼", "：", url_get_city)
html_set_cookie, html_city = getHtml(url_get_city)
cityDict = getCity(html_city)
url_city = url_ori + cityDict[city]
print("訪問獲取導航", "：", url_city)
html_set_cookie, html_city_content = getHtml(url_city, _cookie=html_set_cookie)

而後在請求頭攜帶 cookie ：

# 解析網頁
def getHtml(url, _cookie=None):
    html_bytes = session.get(url, headers=headers, cookies=_cookie)
    html_set_cookie = requests.utils.dict_from_cookiejar(session.cookies)
    return html_set_cookie, html_bytes.content.decode("utf-8", "ignore")

這裏也模擬請求頭攜帶 cookie 後抓取下來的 json 爲：

而主要的信息在 body 裏面，直接解析 html 變成 dict ，提取 body 出來：

html_bytes = session.get(url_detail, headers=headerJson, cookies=html_set_cookie)
html_detail = html_bytes.content.decode("utf-8", "ignore")
detailJson = json.loads(html_detail)

發現信息都在 class=item_list 裏面，直接用 bs4 抓取便可。能夠抓取到的信息爲：標題、標籤、房子構造、面積、總價、單價、房屋朝向、詳情頁 url 等：

獲取信息的部分代碼爲：

# 獲取二手房的詳細信息
def getInfoErshoufang(html):
    detailArr = []

    soup = BeautifulSoup(html, "html.parser")
    detailInfo = soup.find_all("div", attrs={"class": "item_list"})
    detailUrl = soup.find_all("a", attrs={"class": "a_mask"})
    details = zip(detailInfo, detailUrl)
    for info_url in details:
        info = info_url[0]
        detailDict = {}
        # 獲取標題
        title_tmp = info.find_all("div", attrs={"class": "item_main"})
        detail_title = title_tmp[0].get_text()
        # 獲取房屋大小
        size_tmp = info.find_all("div", attrs={"class": "item_other"})
        detail_size = size_tmp[0].get_text()
        # 獲取價格單價
        price_total_tmp = info.find_all("span", attrs={"class": "price_total"})
        detail_price_total = price_total_tmp[0].get_text()
        try:
            unit_price_tmp = info.find_all("span", attrs={"class": "unit_price"})
            detail_unit_price = unit_price_tmp[0].get_text()
        except:
            detail_unit_price = "88888888元/平"
        # 獲取標籤
        tag_tmp = info.find_all("div", attrs={"class": "tag_box"})
        detail_tag = tag_tmp[0].get_text()
        # 獲取詳情頁
        url_a = info_url[1]

封裝代碼

爲了讓代碼更加的和諧，這裏對代碼進行了封裝，包括以下幾個方面：

1. 選擇城市
2. 選擇查看二手房、新房等
3. 詳情頁抓取頁數
4. 計算首付
5. 按照首付升序排列

目前只寫那麼多了，畢竟博文只教方法給讀者，更多抓取的信息須要各位讀者根據本身的需求添加

下載源碼

做者已經將源碼放到 github 上面了，包括 3 個 py 文件：

1. lianjia.py ，跳轉頁面到詳情頁的代碼，爲主代碼
2. GetDetail.py，抓取詳情頁翻頁的代碼
3. GetInfo.py，提取詳情頁裏面信息的代碼

源代碼地址爲：

https://github.com/TTyb/lianjia