为了在上海租房，我用Python连夜爬了20000多条房源信息

2023-02-28

数据 find urls

最近由于工作突然变动，新的办公地点离现在的住处很远，必须要换房子租了。我坐上中介的小电驴，开始探索城市各处的陌生角落。在各个租房app之间周转的过程中，我属实有些焦头烂额，因为效率真的很低下：首先，因为跟女友住在一起，需要同时考虑两人的上班路程，但各平台按通勤时长找房的功能都比较鸡肋，有的平台不支持

最近由于工作突然变动，新的办公地点离现在的住处很远，必须要换房子租了。

我坐上中介的小电驴，开始探索城市各处的陌生角落。

在各个租房app之间周转的过程中，我属实有些焦头烂额，因为效率真的很低下：

首先，因为跟女友住在一起，需要同时考虑两人的上班路程，但各平台按通勤时长找房的功能都比较鸡肋，有的平台不支持同时选择多个地点，有的平台只能机械的取到离各个地点通勤时长相同的点，满足不了使用需求。

其次，站在一个租房人的立场，租房平台实在太多了，并且各平台筛选和排序逻辑都不太一致，导致很难将相似房源的信息进行横向比较。

但是没有关系，作为一名程序员，当然要用程序员的方法来解决问题了。于是，昨晚我用一个python脚本，获取了某租房平台上海地区的所有房源信息，一共2w多条：

下面就把本次爬数据的整个过程分享给大家。

分析页面，寻找切入点

首先进入该平台的租房页面，可以看到，主页上的房源列表里已经包括了我们所需要的大部分信息，并且这些信息都能直接从dom中获取到，因此考虑直接通过模拟请求来收集网页数据。

https://sh.lianjia.com/zufang/1.

因此接下来就要考虑怎么获取url了。通过观察我们发现，该地区一共有2w套以上的房源，而通过网页只能访问到前100页的数据，每页显示数量上限是30条，算下来就是一共3k条，无法获取到全部信息。

不过我们可以通过添加筛选条件来解决这个问题。在筛选项中选择“静安”，进入到如下的url：

https://sh.lianjia.com/zufang/jingan/1.

可以看到该地区一共有2k多套房源，数据页数为75，每页30条，理论上可以访问到所有的数据。所以可以通过分别获取各区房源数据的方法，得到该市所有的数据。

https://sh.lianjia.com/zufang/jingan/pg2/1.

点击第二页按钮后，进入到了上面的url，可以发现只要修改pg后面的数字，就能进入到对应的页数。

不过这里发现一个问题，相同的页数每次访问得到的数据是不一样的，这样会导致收集到的数据出现重复。所以我们点击排序条件中的“最新上架"，进入到如下链接：

https://sh.lianjia.com/zufang/jingan/pg2rco11/1.

用这种排序方式获得的数据次序是稳定的，至此我们的思路便有了：首先分别访问每个小地区的第一页，然后通过第一页获取当前地区的最大页数，然后访问模拟请求访问每一页获取所有数据。

爬取数据

有了思路之后就要动手写代码了，首先我们要收集包含所有的链接，代码如下：

# 所有小地区对应的标识
list=['jingan','xuhui','huangpu','changning','putuo','pudong','baoshan','hongkou','yangpu','minhang','jinshan','jiading','chongming','fengxian','songjiang','qingpu']
# 存放所有链接
urls = []
for a in list:
    urls.append('https://sh.lianjia.com/zufang/{}/pg1rco11/'.format(a))
    # 设置请求头，避免ip被ban
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36'}
    # 获取当前小地区第1页的dom信息
    res = requests.get('https://sh.lianjia.com/zufang/{}/pg1rco11/'.format(a), headers=headers)
    content = res.text
    soup = BeautifulSoup(content, 'html.parser')
    # 获取当前页面的最大页数
    page_num = int(soup.find('div', attrs={'class': 'content__pg'}).attrs['data-totalpage'])
    for i in range(2,page_num+1):
        # 将所有链接保存到urls中
        urls.append('https://sh.lianjia.com/zufang/{}/pg{}rco11/'.format(a,i))1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.

之后，我们要逐一处理上一步得到的urls，获取链接内的数据，代码如下：

num=1
for url in urls:
    print("正在处理第{}页数据...".format(str(num)))
    res1 = requests.get(url, headers=headers)
    content1 = res1.text
    soup1 = BeautifulSoup(content1, 'html.parser')
    infos = soup1.find('div', {'class': 'content__list'}).find_all('div', {'class': 'content__list--item'})1.
2.
3.
4.
5.
6.
7.

整理数据，导出文件

通过对页面结构的观察，我们能得到每个元素存储的位置，找到对应的页面元素，就能获取到我们需要的信息了。

这里附上完整的代码，感兴趣的朋友可以根据自己的需要，替换掉链接中的地区标识和小地区的标识，就能够获取到自己所在地区的信息了。其他租房平台的爬取方式大都类似，就不再赘述了。

import time, re, csv, requests
import codecs
from bs4 import BeautifulSoup

print("****处理开始****")
with open(r'..\sh.csv', 'wb+')as fp:
    fp.write(codecs.BOM_UTF8)
f = open(r'..\sh.csv','w+',newline='', encoding='utf-8')
writer = csv.writer(f)
urls = []

# 所有小地区对应的标识
list=['jingan','xuhui','huangpu','changning','putuo','pudong','baoshan','hongkou','yangpu','minhang','jinshan','jiading','chongming','fengxian','songjiang','qingpu']
# 存放所有链接
urls = []
for a in list:
    urls.append('https://sh.lianjia.com/zufang/{}/pg1rco11/'.format(a))
    # 设置请求头，避免ip被ban
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.9 Safari/537.36'}
    # 获取当前小地区第1页的dom信息
    res = requests.get('https://sh.lianjia.com/zufang/{}/pg1rco11/'.format(a), headers=headers)
    content = res.text
    soup = BeautifulSoup(content, 'html.parser')
    # 获取当前页面的最大页数
    page_num = int(soup.find('div', attrs={'class': 'content__pg'}).attrs['data-totalpage'])
    for i in range(2,page_num+1):
        # 将所有链接保存到urls中
        urls.append('https://sh.lianjia.com/zufang/{}/pg{}rco11/'.format(a,i))

num=1
for url in urls:
    # 模拟请求
    print("正在处理第{}页数据...".format(str(num)))
    res1 = requests.get(url, headers=headers)
    content1 = res1.text
    soup1 = BeautifulSoup(content1, 'html.parser')
    # 读取页面中数据
    infos = soup1.find('div', {'class': 'content__list'}).find_all('div', {'class': 'content__list--item'})

    # 数据处理
    for info in infos:
        house_url = 'https://sh.lianjia.com' + info.a['href']
        title = info.find('p', {'class': 'content__list--item--title'}).find('a').get_text().strip()
        group = title.split()[0][3:]
        price = info.find('span', {'class': 'content__list--item-price'}).get_text()
        tag = info.find('p', {'class': 'content__list--item--bottom oneline'}).get_text()
        mixed = info.find('p', {'class': 'content__list--item--des'}).get_text()
        mix = re.split(r'/', mixed)
        address = mix[0].strip()
        area = mix[1].strip()
        door_orientation = mix[2].strip()
        style = mix[-1].strip()
        region = re.split(r'-', address)[0]
        writer.writerow((house_url, title, group, price, area, address, door_orientation, style, tag, region))
        time.sleep(0)
    print("第{}页数据处理完毕，共{}条数据。".format(str(num), len(infos)))
    num+=1

f.close()
print("****全部完成****")1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.