数据挖掘（六）：用XPath爬取链家网房价数据

准备工作

编写爬虫前的准备工作，我们需要导入用到的库，这里主要使用的是requests和lxml两个。还有一个Time库，负责设置每次抓取的休息时间。

  import requests
import requests
import time
from lxml import etree

抓取列表页

开始抓取前当然应该了解一下目标网站URL结构咯。

链家网的二手房列表页面共有100个，URL结构为
https://nj.lianjia.com/ershoufang/pg2/
其中

• nj表示城市
• /ershoufang/是频道名称
• pg2是页面码。

我们要抓取的是南京的二手房频道，所以前面的部分不会变，属于固定部分，后面的页面码需要在1-100间变化，属于可变部分。将URL分为两部分，前面的固定部分赋值给url，后面的可变部分使用for循环遍历页面。

  #设置列表页URL的固定部分
url='http://nj.lianjia.com/ershoufang/'
#设置页面页的可变部分
page=('pg')

这里提一个小小的醒，我们最好在http请求中设置一个头部信息，否则很容易被封ip。头部信息网上有很多现成的，也可以使用httpwatch等工具来查看。

  #设置请求头部信息
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept':'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Accept-Encoding':'gzip',
'Connection':'close',
'Referer':'http://www.baidu.com/link?url=_andhfsjjjKRgEWkj7i9cFmYYGsisrnm2A-TN3XZDQXxvGsM9k9ZZSnikW2Yds4s&wd=&eqid=c3435a7d00146bd600000003582bfd1f'
}

以抓取前10个页面为例，我们使用for循环生成1-10的数字，转化格式后与前面的URL固定部分拼成要抓取的URL。这里我们设置每两个页面间隔0.5秒。抓取到的页面保存在html中。

  #循环抓取列表页信息
for i in range(1,11):
    if i == 1:
        i=str(i)
        a=(url+page+i+'/')
        r=requests.get(url=a,headers=headers)
        html=r.content
    else:
        i=str(i)
        a=(url+page+i+'/')
        r=requests.get(url=a,headers=headers)
        html2=r.content
        html = html + html2
    #每次间隔0.5秒
    time.sleep(0.5)

页面解析

页面抓取的工作算是完成了，内容在html中，下一步就要进行页面解析了。我们使用lxml库的xpath方法对页面进行解析。

• 注意指定解析器的编码格式

  encoding=requests.get(url,headers=headers).encoding
lj=etree.HTML(html,parser=etree.HTMLParser(encoding=encoding))

完成页面解析后就可以对页面中的关键信息进行提取了。下面我们分别对房源的总价，房源信息和关注度三部分进行提取。
把页面div标签中class=priceInfo的部分提取出来，并使用for循环将其中每个房源的总价数据存在tp中。

相关html源码如下：

    <div class="priceInfo"><div class="totalPrice"><span>360</span>万</div><div class="unitPrice" data-hid="103101449315" data-rid="1411044934948" data-price="39353"><span>单价39353元/平米</span></div></div>

可以看出总价数据存放在div子节点span的string元素里，用下面的xpath表达式把所有totalPrice解析出来

  #提取房源总价
price=lj.xpath('//div[@class="priceInfo"]')

tp=[]
for a in price:
    totalPrice=a.xpath('.//span/text()')[0]
    tp.append(totalPrice)

抽取打印前10条房源总价信息：

  for p in tp[:10]:
    print p

  480
360
190
335
182
210
466
86
308
163

提取房源信息和关注度的方法与提取房源价格的方法类似，下面是具体的代码，房源信息存储在hi中，关注度存储在fi中。

与房屋信息相关html源码如下：

   <div class="houseInfo"><span class="houseIcon"></span><a href="https://nj.lianjia.com/xiaoqu/1411044934948/" target="_blank" data-log_index="2" data-el="region">银城东苑紫荆苑 </a> | 2室2厅 | 91.48平米 | 南 | 精装</div>

用如下xpath语句将其解析出来

  #提取房源信息
houseInfo=lj.xpath('//div[@class="houseInfo"]')

hi=[]
for b in houseInfo:
    house=b.xpath('.//text()')[0]+b.xpath('.//text()')[1]
    hi.append(house)

抽取打印前10条房屋信息：

  for i in hi[:10]:
    print i

  龙凤花园隽凤园  | 4室2厅 | 112.36平米 | 南 北 | 简装 | 无电梯
银城东苑紫荆苑  | 2室2厅 | 91.48平米 | 南 | 精装
锁金三村  | 2室1厅 | 61.59平米 | 南 北 | 其他 | 无电梯
文思苑  | 2室2厅 | 95.79平米 | 南 北 | 其他 | 有电梯
蓝岸尚城  | 2室2厅 | 49.01平米 | 南 | 精装
百家湖国际花园  | 2室1厅 | 78.12平米 | 南 | 其他 | 有电梯
万科光明城市西苑  | 2室2厅 | 96.11平米 | 南 北 | 精装
万达紫金明珠  | 1室1厅 | 38.64平米 | 北 | 简装 | 有电梯
文化名园上筑园  | 3室2厅 | 123.22平米 | 南 | 简装 | 有电梯
金龙花园  | 2室1厅 | 61.73平米 | 南 北 | 简装 | 无电梯

类似的，再提取关注度信息：

  #提取房源关注度
followInfo=lj.xpath('//div[@class="followInfo"]')

fi=[]
for c in followInfo:
    follow=c.xpath('./text()')[0]
    fi.append(follow)

抽取打印前10条房屋信息：

  for i in fi[:10]:
    print fi[0]

  158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布
158人关注 / 共59次带看 / 6个月以前发布

清洗数据并整理到数据表中

我们将之前爬取到的信息进行汇总，并导入pandas之中生成数据表。便于后面的分析。

  #导入pandas库
import pandas as pd
#创建数据表
house=pd.DataFrame({'totalprice':tp,'houseinfo':hi,'followinfo':fi})
#查看数据表的内容
house.head()

很尴尬的是，大家看得到，很多信息是糊在一块的，不能直接使用，所以咱们再做一些数据提取和清洗的工作。如房源信息，在表中每个房源的小区名称，户型，面积，朝向等信息都在一个字段中，无法直接使用。需要先进行分列操作。这里的规则比较明显，每个信息间都是以竖线分割的，因此我们只需要以竖线进行分列即可。

  #对房源信息进行分列
houseinfo_split = pd.DataFrame((x.split('|') for x in house.houseinfo),index=house.index,columns=['xiaoqu','huxing','mianji','chaoxiang','zhuangxiu','dianti'])

现在再来看看我们整理好的数据

  #查看分列结果
houseinfo_split.head()

把拆分后的数据拼接回原始数据中

  #将分列结果拼接回原数据表
house=pd.merge(house,houseinfo_split,right_index=True, left_index=True)
house.head()

使用相同的方法对房源关注度字段进行分列和拼接操作。这里的分列规则是斜杠。

  #对房源关注度进行分列
followinfo_split = pd.DataFrame((x.split('/') for x in house.followinfo),index=house.index,columns=['guanzhu','daikan','fabu'])
#将分列后的关注度信息拼接回原数据表
house=pd.merge(house,followinfo_split,right_index=True, left_index=True)
house.head()

然后再删除原先的列

  house=house.drop(['houseinfo','followinfo'],axis=1)
print "共采集"+str(len(house))+"条房源信息"
house.head()

共采集300条房源信息

好了，这就是咱们对链家网的部分数据爬取过程了。
跃跃欲试的宝宝们何不自己动手，再解析一些内容试试。