概述
- 前言
- 統計結果
- 爬蟲代碼實作
- 爬蟲分析實作
- 後記
前言
建議在看這篇文章之前，請看完這三篇文章，因為本文是依賴于前三篇文章的：
爬蟲利器初體驗（1）
聽說你的爬蟲又被封了？（2）
爬取資料不儲存，就是耍流氓（3）
八月份的時候，由于腦洞大開，決定用 python 爬蟲爬取了深圳的租房資料，并寫了文章《用Python告訴你深圳房租有多高》，文章得到了一緻好評和衆多轉載。由于我本身的朋友圈大多都在廣州、深圳，是以，早就有挺多小夥伴叫我分析一下廣州的租房價格現狀，這不，文章就這樣在衆多呼聲中出爐了。然後，此次爬蟲技術也更新了，完善了更多細節。源碼值得細細探究。此次分析采集了廣州 11 個區，23339 條資料，如下圖：
樣本資料
其中後半部分地區資料量偏少，是由于該區房源确實不足。是以，此次調查也并非非常準确，權且當個娛樂項目，供大家觀賞。
統計結果
我們且先看統計結果，然後再看技術分析。
廣州房源分布：（按區劃分）
其中天河占據了大部分房源。但這塊地的房租可是不菲啊。
房源分布
房租單價：（每月每平方米單價 -- 平均數）
即是 1 平方米 1 個月的價格。方塊越大，代表價格越高。
房租單價：平方米/月
可以看出天河、越秀、海珠都越過了 50 大關，分别是 75.042 、64.249、59.621 ，是其他地區的幾倍。如果在天河租個 20 平方的房間：
75.042 x 20 = 1500.84
再來個兩百的水電、物業：
1500.84 + 200 = 1700.84
我們按正常生活來算的話，每天早餐 10 塊，中午 15 塊，晚飯 15 塊：
1700.84 + 40 x 30 = 2700.84
那麼平時的日常生活需要 2700.84 塊。
隔斷時間下個館子，每個月買些衣服，交通費，談個女朋友，與女朋友出去逛街，妥妥滴加個 2500
2700.84 + 2500 = 5200.84
給爸媽一人一千：
5200.84 + 2000 = 7200.84
月薪一萬還是有點存款的，比深圳好一點，但是可能廣州的薪資就沒深圳那麼高了。
房租單價：（每日每平方米單價 -- 平均數）
即是 1 平方米 1 天的價格。
租房單價：平方米/日
哈哈，感受一下寸土寸金的感覺。[捂臉]
崩潰
戶型
戶型主要以 3 室 2 廳與 2 室 2 廳為主。與小夥伴抱團租房是最好的選擇了，不然與不認識的人一起合租，可能會發生一系列讓你不舒服的事情。字型越大，代表戶型數量越多。
戶型
戶型
租房面積統計
其中 30 - 90 平方米的租房占大多數，如今之計，也隻能是幾個小夥伴一起租房，抱團取暖了。
租房面積統計
租房描述詞雲
這是爬取的租房描述，其中字型越大，辨別出現的次數越多。其中【住家、全套、豪華、齊全】占據了很大的部分，說明配套設施都是挺齊全的。
租房描述
爬蟲技術分析
- 請求庫：scrapy、requests
- HTML 解析：BeautifulSoup
- 詞雲：wordcloud
- 資料可視化：pyecharts
- 資料庫：MongoDB
- 資料庫連接配接：pymongo
爬蟲代碼實作
跟上一篇文章不一樣，這是使用了 scrapy 爬蟲架構來爬取資料，各個方面也進行了優化，例如：自動生成各個頁面的位址。
由于房某下各個區域的首頁位址和首頁以外的位址的形式是不一樣的，但是又一定的規律，是以需要拼接各個部分的位址。
首頁位址案例：
# 第一頁http://gz.zu.fang.com/house-a073/ 非首頁位址：
# 第二頁http://gz.zu.fang.com/house-a073/i32/# 第三頁http://gz.zu.fang.com/house-a073/i33/# 第四頁http://gz.zu.fang.com/house-a073/i34/ 先解析首頁 url
def head_url_callback(self, response): soup = BeautifulSoup(response.body, "html5lib") dl = soup.find_all("dl", attrs={"id": "rentid_D04_01"}) # 擷取各地區的 url 位址的 dl 标簽 my_as = dl[0].find_all("a") # 擷取 dl 标簽中所有的 a 标簽， for my_a in my_as: if my_a.text == "不限": # 不限地區的,特殊處理 self.headUrlList.append(self.baseUrl) self.allUrlList.append(self.baseUrl) continue if "周邊" in my_a.text: # 清除周邊地區的資料 continue # print(my_a["href"]) # print(my_a.text) self.allUrlList.append(self.baseUrl + my_a["href"]) self.headUrlList.append(self.baseUrl + my_a["href"]) print(self.allUrlList) url = self.headUrlList.pop(0) yield Request(url, callback=self.all_url_callback, dont_filter=True) 再解析非首頁 url
這裡先擷取到各個地區一共有多少頁，才能拼接具體的頁面位址。
# 再根據頭部 url 拼接其他頁碼的urldef all_url_callback(self, response): # 解析并拼接所有需要爬取的 url 位址 soup = BeautifulSoup(response.body, "html5lib") div = soup.find_all("div", attrs={"id": "rentid_D10_01"}) # 擷取各地區的 url 位址的 dl 标簽 span = div[0].find_all("span") # 擷取 dl 标簽中所有的 span 标簽， span_text = span[0].text for index in range(int(span_text[1:len(span_text) - 1])): if index == 0: pass # self.allUrlList.append(self.baseUrl + my_a["href"]) else: if self.baseUrl == response.url: self.allUrlList.append(response.url + "house/i3" + str(index + 1) + "/") continue self.allUrlList.append(response.url + "i3" + str(index + 1) + "/") if len(self.headUrlList) == 0: url = self.allUrlList.pop(0) yield Request(url, callback=self.parse, dont_filter=True) else: url = self.headUrlList.pop(0) yield Request(url, callback=self.all_url_callback, dont_filter=True) 最後解析一個頁面的資料
def parse(self, response): # 解析一個頁面的資料 self.logger.info("==========================") soup = BeautifulSoup(response.body, "html5lib") divs = soup.find_all("dd", attrs={"class": "info rel"}) # 擷取需要爬取得 div for div in divs: ps = div.find_all("p") try: # 捕獲異常，因為頁面中有些資料沒有被填寫完整，或者被插入了一條廣告，則會沒有相應的标簽，是以會報錯 for index, p in enumerate(ps): # 從源碼中可以看出，每一條 p 标簽都有我們想要的資訊，故在此周遊 p 标簽， text = p.text.strip() print(text) # 輸出看看是否為我們想要的資訊 roomMsg = ps[1].text.split("|") area = roomMsg[2].strip()[:len(roomMsg[2]) - 1] item = RenthousescrapyItem() item["title"] = ps[0].text.strip() item["rooms"] = roomMsg[1].strip() item["area"] = int(float(area)) item["price"] = int(ps[len(ps) - 1].text.strip()[:len(ps[len(ps) - 1].text.strip()) - 3]) item["address"] = ps[2].text.strip() item["traffic"] = ps[3].text.strip() if (self.baseUrl+"house/") in response.url: # 對不限區域的地方進行區分 item["region"] = "不限" else: item["region"] = ps[2].text.strip()[:2] item["direction"] = roomMsg[3].strip() print(item) yield item except: print("糟糕，出現 exception") continue if len(self.allUrlList) != 0: url = self.allUrlList.pop(0) yield Request(url, callback=self.parse, dont_filter=True) 資料分析實作
# 求一個區的房租單價（平方米/元） def getAvgPrice(self, region): areaPinYin = self.getPinyin(region=region) collection = self.zfdb[areaPinYin] totalPrice = collection.aggregate([{'$group': {'_id': '$region', 'total_price': {'$sum': '$price'}}}]) totalArea = collection.aggregate([{'$group': {'_id': '$region', 'total_area': {'$sum': '$area'}}}]) totalPrice2 = list(totalPrice)[0]["total_price"] totalArea2 = list(totalArea)[0]["total_area"] return totalPrice2 / totalArea2 # 擷取各個區 每個月一平方米需要多少錢 def getTotalAvgPrice(self): totalAvgPriceList = [] totalAvgPriceDirList = [] for index, region in enumerate(self.getAreaList()): avgPrice = self.getAvgPrice(region) totalAvgPriceList.append(round(avgPrice, 3)) totalAvgPriceDirList.append({"value": round(avgPrice, 3), "name": region + " " + str(round(avgPrice, 3))}) return totalAvgPriceDirList # 擷取各個區 每一天一平方米需要多少錢 def getTotalAvgPricePerDay(self): totalAvgPriceList = [] for index, region in enumerate(self.getAreaList()): avgPrice = self.getAvgPrice(region) totalAvgPriceList.append(round(avgPrice / 30, 3)) return (self.getAreaList(), totalAvgPriceList) # 擷取各區統計樣本數量 def getAnalycisNum(self): analycisList = [] for index, region in enumerate(self.getAreaList()): collection = self.zfdb[self.pinyinDir[region]] print(region) totalNum = collection.aggregate([{'$group': {'_id': '', 'total_num': {'$sum': 1}}}]) totalNum2 = list(totalNum)[0]["total_num"] analycisList.append(totalNum2) return (self.getAreaList(), analycisList) # 擷取各個區的房源比重 def getAreaWeight(self): result = self.zfdb.rent.aggregate([{'$group': {'_id': '$region', 'weight': {'$sum': 1}}}]) areaName = [] areaWeight = [] for item in result: if item["_id"] in self.getAreaList(): areaWeight.append(item["weight"]) areaName.append(item["_id"]) print(item["_id"]) print(item["weight"]) # print(type(item)) return (areaName, areaWeight) # 擷取 title 資料，用于建構詞雲 def getTitle(self): collection = self.zfdb["rent"] queryArgs = {} projectionFields = {'_id': False, 'title': True} # 用字典指定需要的字段 searchRes = collection.find(queryArgs, projection=projectionFields).limit(1000) content = '' for result in searchRes: print(result["title"]) content += result["title"] return content # 擷取戶型資料（例如：3 室 2 廳） def getRooms(self): results = self.zfdb.rent.aggregate([{'$group': {'_id': '$rooms', 'weight': {'$sum': 1}}}]) roomList = [] weightList = [] for result in results: roomList.append(result["_id"]) weightList.append(result["weight"]) # print(list(result)) return (roomList, weightList) # 擷取租房面積 def getAcreage(self): results0_30 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 0, '$lte': 30}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results30_60 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 30, '$lte': 60}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results60_90 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 60, '$lte': 90}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results90_120 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 90, '$lte': 120}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results120_200 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 120, '$lte': 200}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results200_300 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 200, '$lte': 300}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results300_400 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 300, '$lte': 400}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results400_10000 = self.zfdb.rent.aggregate([ {'$match': {'area': {'$gt': 300, '$lte': 10000}}}, {'$group': {'_id': '', 'count': {'$sum': 1}}} ]) results0_30_ = list(results0_30)[0]["count"] results30_60_ = list(results30_60)[0]["count"] results60_90_ = list(results60_90)[0]["count"] results90_120_ = list(results90_120)[0]["count"] results120_200_ = list(results120_200)[0]["count"] results200_300_ = list(results200_300)[0]["count"] results300_400_ = list(results300_400)[0]["count"] results400_10000_ = list(results400_10000)[0]["count"] attr = ["0-30平方米", "30-60平方米", "60-90平方米", "90-120平方米", "120-200平方米", "200-300平方米", "300-400平方米", "400+平方米"] value = [ results0_30_, results30_60_, results60_90_, results90_120_, results120_200_, results200_300_, results300_400_, results400_10000_ ] return (attr, value) # 展示餅圖 def showPie(self, title, attr, value): from pyecharts import Pie pie = Pie(title) pie.add("aa", attr, value, is_label_show=True) pie.render() # 展示矩形樹圖 def showTreeMap(self, title, data): from pyecharts import TreeMap data = data treemap = TreeMap(title, width=1200, height=600) treemap.add("深圳", data, is_label_show=True, label_pos='inside', label_text_size=19) treemap.render() # 展示條形圖 def showLine(self, title, attr, value): from pyecharts import Bar bar = Bar(title) bar.add("深圳", attr, value, is_convert=False, is_label_show=True, label_text_size=18, is_random=True, # xaxis_interval=0, xaxis_label_textsize=9, legend_text_size=18, label_text_color=["#000"]) bar.render() # 展示詞雲 def showWorkCloud(self, content, image_filename, font_filename, out_filename): d = path.dirname(__name__) # content = open(path.join(d, filename), 'rb').read() # 基于TF-IDF算法的關鍵字抽取, topK傳回頻率最高的幾項, 預設值為20, withWeight # 為是否傳回關鍵字的權重 tags = jieba.analyse.extract_tags(content, topK=100, withWeight=False) text = " ".join(tags) # 需要顯示的背景圖檔 img = imread(path.join(d, image_filename)) # 指定中文字型, 不然會亂碼的 wc = WordCloud(font_path=font_filename, background_color='black', # 詞雲形狀， mask=img, # 允許最大詞彙 max_words=400, # 最大号字型，如果不指定則為圖像高度 max_font_size=100, # 畫布寬度和高度，如果設定了msak則不會生效 # width=600, # height=400, margin=2, # 詞語水準擺放的頻率，預設為0.9.即豎直擺放的頻率為0.1 prefer_horizontal=0.9 ) wc.generate(text) img_color = ImageColorGenerator(img) plt.imshow(wc.recolor(color_func=img_color)) plt.axis("off") plt.show() wc.to_file(path.join(d, out_filename)) # 展示 pyecharts 的詞雲 def showPyechartsWordCloud(self, attr, value): from pyecharts import WordCloud wordcloud = WordCloud(width=1300, height=620) wordcloud.add("", attr, value, word_size_range=[20, 100]) wordcloud.render()