首页手记用Python来扒Q房网

用Python来扒Q房网

标签：

Python

嗯，这一篇文章更多是想分享一下我的网页分析方法。玩爬虫也快有一年了，基本代码熟悉之后，我感觉写一个爬虫最有意思的莫过于研究其网页背后的加载过程了，也就是分析过程，对性能没有特殊要求的情况下，编程一般是小事。

以深圳地区的Q房网为例吧。Q房网的主页非常简洁，输入相应的地区就可以找到对应的二手房或者一手房。这一篇文章主要就给大家介绍我在做Q房网爬虫的分析过程。

注意：本文采用Chrome作为分析加载工作，如果使用其他浏览器，请参考具体的规则。

首先想到的

嗯，你首先要跳出编程，从使用者甚至是产品经理的角度去思考：在浏览这个页面的时候，如何就能看到全市的二手房的情况。通过主页的一个区一个区的输入，搜索，然后将页面的单元下载，嗯这是一个方法。

南山区首页的情况

如上图所示，只要更改keyword后面的参数，就可以获得不同区的二手房数据。编程的时候只需要手动写入一个含有各个区的list，然后通过循环去更改keyword后面的参数，从而开始一个区域，再爬取其中的链接。这个方法确实是可行的，深圳一共也没有多少个区。这个方法我试过是可行的。

我实际想说的

上面的这个方法固然可行，但并不是我想推荐的方法，大家看回首页，搜索栏旁边有一个地图找房。点进去你就能看到深圳全区域的房子，要是能在这里弄个爬虫，不就简单多了。

地图找房位置

深圳全区域的二手房

可以看到截图的右侧有所有二手房的链接，我们的任务就是下载右边的所有二手房的数据。首先第一步就先查看页面的源代码（Ctrl+U），可以从右边链表那里复制一些关键字，在源代码里面找找看，在源代码里面Ctrl+F搜索观澜湖试试，结果是没有，再尝试几个关键词好像都没有，但通过检查元素（Ctrl+Shift+I），是可以定位到这些关键词的位置。这样可以初步判断右边的链表是通过Js来加载，需要证实。

关键词**观澜湖**的在源代码里面的搜索结果

关键词**观澜湖**的在页面元素里面的搜索结果

尝试对观澜湖上方的元素在源代码里面定位，例如no-data-wrap bounce-inup dn，就可以在源代码里面找到。仔细对比一下两边的上下文，可以看到在节点<ul id ="roomList">下面的内容有非常大的差异。通过这个roomList作为关键词继续查找。

**no-data-wrap bounce-inup dn** 在检查元素内的位置

**no-data-wrap bounce-inup dn** 在源代码的位置

在检查元素里面可以发现roomList下面的加载的内容就是我们所需要的房屋列表，并且这部分内容再源代码里面没有。而在源代码页通过搜索roomList，却发现出现在script里面，证实roomList里面的内容是通过Js来加载的：

源代码中roomList出现的位置

下面就变成是找这个roomList了，由于是通过js加载的，打开控制台的network，并重新刷新页面，查看页面里面各个元素的加载过程，在过滤器里面输入roomList，可以找到一条信息：

roomList的搜索结果

点开看response里面下载的内容，发现那不就是我们要找的东西吗！里面有给出详细的页面数量（roomPageSize），那一个个的八位数字显然就是每一个房子的id嘛，然后每一页的加载数量是一定的，下面有对应id里面有房子的经纬度、户型、面积以及朝向等等信息（在这里做一个提醒，需要做heatmap的同学注意了，这里的经纬度用的是百度坐标，如果你后续可视化用的是google地图、高德或者GPS，是需要转换坐标的）。

roomList的内容

找到内容之后，接着就是看他的Headers，看看是如何加载的。

Request Url表明其访问的链接，Request Method表明他的请求方法是Post；
Request的头定义（Headers）里面包括Host、Origin、Referer、User-Agent等；
请求的参数（parameters）里面有三个参数，这三个参数是直接放映在其Url链接上面，里面包括当前页的页码（currentPage）、页面大小（pageSize）以及s（这个s一开始也不同清楚是什么，但是发现每一次请求都有变化，后面才知道这个是时间戳，表示1970纪元后经过的浮点秒数）；
此外Post函数还可以发送数据到服务器做请求，这里所发送的数据包括始末经纬度、gardenId（这个到后期发现是对应的小区编号）和zoom（代表地图上面放大以及缩小的倍数，数字越大，放大倍数越高）

Header第一页

Herader第二页

基本扒到这里，对整个页面就比较清晰了，也知道我们的爬虫要怎么去写了。

开始写代码了

逻辑整理出来后，整个代码就写的非常轻松了。首先通过post方式访问http://shenzhen.qfang.com/map/sale/roomList，通过正则表达式提取Reponse里面的roomPageSize，或者最大页数。然后对每一页的内容进行爬取，并将信息输出。

第一部分，加载库，需要用到requests, bs4, re, time（time是用来生成时间戳）：

from bs4 import BeautifulSoupimport requests, re, time

第二部分，通过设定合理的post数据以及headers，通过post下载数据。其中payload里面包括地图所展示的经纬度信息（这个信息怎么获得，在Q房网页面上通过鼠标拖拉，找到合适的位置之后，到控制台Header内查看此时的经纬度就好了），headers则包含了访问的基本信息（加上有一定的反爬作用）：

url = 'http://shenzhen.qfang.com/map/sale/roomList'payload = {'latitudeFrom':22.484438,           'latitudeTo':22.83449,           'longitudeFrom':113.844809,           'longitudeTo':114.52206,           'gardenId':'',           'zoom':12}
headers = {'Host':'shenzhen.qfang.com',           'Origin':'http://shenzhen.qfang.com',           'Referer':'http://shenzhen.qfang.com/map/sale',           'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}
params = {'currentPage':1,          'pageSize':15,          's':time.time()}
response = requests.post(url, data=payload, headers = headers, params = params)
content = BeautifulSoup(response.text, 'lxml')
content

页面下载后，对于第一次下载首先需要用正则表达式获得最大页面数，我们真正需要的内容结合Beautiful的get和find以及re来抓取就可以了：

rommPageSize = re.search('roomPageSize=(\d*)', content.script.text).group(1)for page in range(int(rommPageSize)):
    params['currentPage'] = page+1
    ##更新页数之后，需要重新request，然后用BeautifulSoup进行分析在爬取数据
    for li in content.find_all('li', class_='clearfix'):
        roomid = li.get('roomid')
        lat = li.get('lat')
        lng = li.get('lng')
        title = li.get('title')
        pSpan = li.find('p', class_ = 'hs-info-model clearfix')
        model = pSpan.span
        area = model.find_next('span')
        direction = area.find_next('span')
        print([roomid, lat, lng, title, model.text, area.text, direction.text])

给一个在控制台里面输出的效果：

最后的效果