链家网和贝壳网房价爬虫

【导读】链家网和贝壳网房价爬虫，采集北京上海广州深圳等21个中国主要城市的房价数据（小区，二手房，出租房，新房），稳定可靠快速！支持csv,MySQL, MongoDB,Excel, json存储，支持Python2和3，图表展示数据，注释丰富。

作者 | jumper2014

整理 | Xiaowen

原文链接：

https://github.com/jumper2014/lianjia-beike-spider

链家网(lianjia.com)和贝壳网(ke.com)爬虫

• 爬取链家网、贝壳网的各类房价数据（小区数据，挂牌二手房, 出租房，新房）。

• 支持北京上海广州深圳等国内21个主要城市；支持Python2和Python3; 基于页面的数据爬取，稳定可靠; 丰富的代码注释，帮助理解代码并且方便扩展功能。

• 数据含义：城市-city, 区县-district, 板块-area, 小区-xiaoqu, 二手房-ershou, 租房-zufang， 新房-loupan。

• 每个版块存储为一个csv文件，该文件可以作为原始数据进行进一步的处理和分析。

• 支持图表展示

• 如果链家和贝壳页面结构有调整，欢迎反馈，我将尽力保持更新。

• 此代码仅供学习与交流，请勿用于商业用途，后果自负。问题反馈QQ群号635276285。

安装依赖

• pip install -r requirements.txt

• 运行前，请将当前目录加入到系统环境变量PYTHONPATH中。

• 运行前，请指定要爬取的网站，见lib/const/spider.py里面的SPIDER_NAME变量。

• 清理数据，运行 python tool/clean.py

小区房价数据爬取

• 内容格式：采集日期,所属区县,板块名,小区名,挂牌均价,挂牌数

• 内容如下：20180221,浦东,川沙,恒纬家苑,32176元/m2,3套在售二手房

• 数据可以存入MySQL/MongoDB数据库，用于进一步数据分析，比如排序，计算区县和版块均价。

• MySQL数据库结构可以通过导入tool/lianjia_xiaoqu.sql建立。

• MySQL数据格式: 城市 日期 所属区县 版块名 小区名 挂牌均价 挂牌数

• MySQL数据内容：上海 20180331 徐汇 衡山路 永嘉路621号 333333 0

• MongoDB数据内容: { "_id" : ObjectId("5ac0309332e3885598b3b751"), "city" : "上海", "district" : "黄浦", "area" : "五里桥", "date" : "20180331", "price" : 81805, "sale" : 11, "xiaoqu" : "桥一小区" }

• Excel数据内容：上海 20180331 徐汇 衡山路 永嘉路621号 333333 0

• 运行, python xiaoqu.py 根据提示输入城市代码，回车确认，开始采集数据到csv文件

• 运行, python xiaoqu.py city, 自动开始采集数据到csv文件

hz: 杭州, sz: 深圳, dl: 大连, fs: 佛山xm: 厦门, dg: 东莞, gz: 广州, bj: 北京cd: 成都, sy: 沈阳, jn: 济南, sh: 上海tj: 天津, qd: 青岛, cs: 长沙, su: 苏州cq: 重庆, wh: 武汉, hf: 合肥, yt: 烟台nj: 南京,

• 修改 xiaoqu_to_db.py 中的database变量，设置数据最终存入mysql/mongodb/Excel/json

• python xiaoqu_to_db.py 根据提示将今天采集到的csv数据存入数据库。(默认导出为单一csv文件)

• python xiaoqu_to_chart.py 将单一csv文件数据通过图表展示。

挂牌二手房数据爬取

• 获取链家网挂牌二手房价数据，数据格式如下：

• 20180405,浦东,万祥镇,祥安菊苑 3室2厅 258万,258万,祥安菊苑 | 3室2厅 | 126.58平米 | 南 | 毛坯

• 运行，python ershou.py 根据提示输入城市代码，回车确认，开始采集数据到csv文件

• 运行，python ershou.py city，自动开始采集数据到csv文件

出租房数据爬取

• 获取链家网挂牌出租房数据，数据格式如下：

• 20180407,浦东,御桥,仁和都市花园  ,3室2厅,100平米,8000

• 运行，python zufang.py 根据提示输入城市代码，回车确认，开始采集数据到csv文件

• 运行，python zufang.py city，自动开始采集数据到csv文件

新房数据爬取

• 获取链家网新房数据，数据格式如下：

• 20180407,上海星河湾,76000,1672万

• 运行，python loupan.py 根据提示输入城市代码，回车确认，开始采集数据到csv文件

• 运行，python loupan.py city，自动开始采集数据到csv文件

结果存储

• 根目录下建立data目录存放结果数据文件

• 小区房价数据存储目录为 data/site/xiaoqu/city/date

• 二手房房价数据存储目录为 data/site/ershou/city/date

• 出租房房价数据存储目录为 data/site/zufang/city/date

• 新房房价数据存储目录为 data/site/loupan/city/date

性能

• 300秒爬取上海市207个版块的2.7万条小区数据，平均每秒90条数据。

Total crawl 207 areas.Total cost 294.048109055 second to crawl 27256 data items.

• 1000秒爬取上海215个版块的7.5万条挂牌二手房数据，平均每秒75条数据。

Total crawl 215 areas.Total cost 1028.3090899 second to crawl 75448 data items.

• 300秒爬取上海215个版块的3.2万条出租房数据, 平均每秒150条数据。

Total crawl 215 areas.Total cost 299.7534770965576 second to crawl 32735 data items.

• 30秒爬取上海400个新盘数据。

Total crawl 400 loupan.Total cost 29.757128953933716 second

更新记录

• 2018/11/05 增加工具下载二手房缩略图tool/download_ershou_image.py

• 2018/11/01 增加二手房缩略图地址

• 2018/10/28 xiaoqu_to_db.py改造成支持命令行参数自动运行。

• 2018/10/25 将主要爬取代码抽取到spider类中。

• 2018/10/22 文件名，目录，代码重构。

• 2018/10/20 增加中间文件清理功能，能够爬取贝壳网的小区，新房，二手房和租房数据。

• 2018/10/19 支持贝壳网小区数据爬取

• 2018/10/15 增加Spider类，优化异常处理，功能无变动

• 2018/10/14 允许用户通过命令行指定要爬取的城市，而不仅仅通过交互模式选择，用于支持自动爬取。

• 2018/10/11 增加初步log功能。

• 2018/10/09 图表展示区县均价排名。

• 2018/10/07 小区房价导出到json文件, csv文件。图表展示最贵的小区。

• 2018/10/05 增加Referer。增加透明代理服务器获取(未使用)

• 2018/06/01 支持User-Agent

• 2018/04/07 支持采集新房的基本房价信息

• 2018/04/07 支持采集出租房的相关信息

• 2018/04/05 支持采集挂牌二手房信息

• 2018/04/02 支持将采集到的csv数据导入Excel

• 2018/04/01 同时支持Python2和Python3

• 2018/04/01 支持将采集到的csv数据导入MongoDB数据库

• 2018/03/31 支持将采集到的csv数据导入MySQL数据库

• 2018/03/27 修复bug: 版块下只有一页小区数据时未能正确爬取

• 2018/03/27 增加5个城市，现在支持21个城市的小区数据爬取

• 2018/03/10 自动获取城市的区县列表，现在支持16个城市小区数据爬取

• 2018/03/06 支持北京二手房小区数据采集

• 2018/02/21 应对链家前端页面更新，使用内置urllib2代替第三方requests库,提升性能，减少依赖

• 2018/02/01 支持上海二手房小区数据采集

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成！470+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

请加专知小助手微信（扫一扫如下二维码添加），咨询《深度学习:算法到实战》参团限时优惠报名~

欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程