爬虫实战--- （6）链家房源数据爬取与分析可视化

文章持续跟新，可以微信搜一搜公众号 **[ *****rain雨雨编程 ]***，第一时间阅读，涉及数据分析，机器学习，Java编程，爬虫，实战项目等。

前言

今天我将为大家分享一个非常实用的Python项目——链家房源数据的爬取与分析可视化。在这篇文章中，我们将分为六个部分来详细讲解，包括：爬取目标、所涉及知识点、步骤分析（穿插代码讲解）、爬取结果和完整代码，以及可视化处理数据。

1. 爬取目标

本项目的目标是从链家网站上爬取二手房源的数据，并将其存储为CSV文件，然后进行后续的数据分析与可视化。我们将主要关注以下几项信息：

• 房源标题
• 房源价格
• 房源位置

示例网址为：链家二手房，我们将从这个网页爬取信息。

2. 所涉及知识点

在进行爬虫项目时，我们需要掌握一些基本的知识和工具，以下是本项目中涉及的几个主要知识点：

• 网络爬虫：了解如何向目标网页发送请求并获取数据。
• 多页数据采集：如何获取网页上的多个页面的数据。
• CSV文件：将爬取的数据保存为CSV文件，以便于后续分析。
• 数据可视化：对爬取到的数据进行可视化展示，利用pyecharts等工具。

我们将使用以下几个主要的Python库：

• requests: 用于发送HTTP请求。
• lxml: 用于解析HTML内容。
• pandas: 用于数据处理与分析。
• csv: 内置模块，处理CSV文件的读写。

3. 步骤分析（穿插代码讲解）

步骤一：发送请求

首先，我们需要向目标网页发送一个请求，以获取网页的源代码。我们将在代码中伪装浏览器，以避免被网站屏蔽。

import requests
url = 'https://cs.lianjia.com/ershoufang/pg2/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response)  # 输出响应状态码

这段代码定义了爬取的网址以及请求头。在请求头中，我们模拟了一些浏览器信息，以便于获取有效的响应。

步骤二：获取数据

我们可以通过

response.text

获取网页的HTML源代码。

# .text  文本信息
html_content = response.text

步骤三：解析数据

使用

lxml

库中的

etree

模块来解析获取到的HTML数据，并提取我们需要的信息。我们会使用XPath来便捷地选择目标元素。

from lxml import etree
et = etree.HTML(html_content)
# 使用XPath提取所有房源信息
doc = et.xpath('//*[@id="content"]/div[1]/ul/li')
list_1 = []
for li in doc:
    title = li.xpath('.//div[@class="title"]/a/text()')[0]
    price = li.xpath('.//div[@class="totalPrice totalPrice2"]/span/text()')[0]
    position = li.xpath('.//div[@class="positionInfo"]/a/text()')
    if position:
        position = '-'.join(position)
    list_1.append([title, price, position])

在这一部分代码中，我们遍历每一个房源信息，通过XPath找到标题、价格和位置，并将这些信息存储在一个列表中。

步骤四：保存数据

最后，我们将爬取到的数据保存为CSV文件，以便于后续的数据分析。

import csv
# 定义列名
headers = ['title', 'price', 'position']
for p in list_1:
    with open('ershoufang1.csv', mode='a', encoding='utf-8', newline='') as file:
        csv_writer = csv.writer(file)
        csv_writer.writerow(headers)  # 写入列名
        csv_writer.writerow(p)

使用

csv

模块中的

writer

将每条房源信息写入CSV文件中。

4. 爬取结果

通过以上代码的执行，我们将成功爬取到链家二手房源的数据，并保存到名为

ershoufang1.csv

的文件中。该文件将包含所有房源的标题、价格和位置等信息，便于后续进行数据分析和可视化。

5. 完整代码

下面是完整的代码，方便大家直接参考和使用。

import requests
from lxml import etree
import csv
# 发送请求
url = 'https://cs.lianjia.com/ershoufang/pg2/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# 获取数据
html_content = response.text
et = etree.HTML(html_content)
doc = et.xpath('//*[@id="content"]/div[1]/ul/li')
# 解析数据
list_1 = []
for li in doc:
    title = li.xpath('.//div[@class="title"]/a/text()')[0]
    price = li.xpath('.//div[@class="totalPrice totalPrice2"]/span/text()')[0]
    position = li.xpath('.//div[@class="positionInfo"]/a/text()')
    if position:
        position = '-'.join(position)
    list_1.append([title, price, position])
# 保存数据
# 定义列名
headers = ['title', 'price', 'position']
for p in list_1:
    with open('ershoufang1.csv', mode='a', encoding='utf-8', newline='') as file:
        csv_writer = csv.writer(file)
        csv_writer.writerow(headers)  # 写入列名
        csv_writer.writerow(p)

希望通过这篇文章，大家能够更好地理解Python爬虫的基本流程，并掌握链家房源数据的爬取与处理技巧。

6 数据可视化

将爬取的二手房数据进行可视化的，如可以使用matplotlib绘制如下:

• 价格与位置关系的散点图
• 价格与位置关系的散点图

import pandas as pd
import matplotlib.pyplot as plt
# 读取CSV文件
df = pd.read_csv('ershoufang1.csv')
# 数据清洗，例如去除空值
df = df.dropna()
# 绘制价格直方图，展示二手房价格的分布情况
plt.figure(figsize=(10, 6))
plt.hist(df['price'], bins=20, color='blue', edgecolor='black')
plt.title('Distribution of Second-hand Housing Prices')
plt.xlabel('Price')
plt.ylabel('Frequency')
plt.show()
# 绘制价格与位置关系的散点图
# 这个图可能不太直观，因为位置是分类数据，这里仅作为示例
plt.figure(figsize=(10, 6))
plt.scatter(df['position'], df['price'], alpha=0.5)
plt.title('Price vs Location for Second-hand Housing')
plt.xlabel('Location')
plt.ylabel('Price')
plt.show()

价格与位置关系的散点图：

价格与位置关系的散点图：

注意：由于位置是分类数据，直接在散点图上表示可能不太直观，可能需要更复杂的可视化方法，如地理热图等。

文章持续跟新，可以微信搜一搜公众号 **[ *****rain雨雨编程 ]***，第一时间阅读，涉及数据分析，机器学习，Java编程，爬虫，实战项目等。