小牧用Python 爬取数万条房产数据,揭秘一线城市生存压力有多大

阿里云双11来了!从本博客参与阿里云,服务器最低只要86元/年!

最近各大一二线城市的房租都有上涨,究竟整体上涨到什么程度呢?我们也不得而知,于是乎笔者为了一探究竟,便用 Python 爬取了房某下的深圳租房数据。以下是本次的样本数据:

除去【不限】的数据(因为可能会与后面重叠),总数据量为 16971 ,其中后半部分地区数据量偏少,是由于该区房源确实不足。

因此,此次调查也并非非常准确,权且当个娱乐项目,供大家观赏。

统计结果

我们且先看统计结果,然后再看技术分析。深圳房源分布如下,按区划分的话,其中福田与南山的房源分布是最多的。但这两块地的房租十分不菲。

房租单价即 1 平方米 1 个月的价格。方块越大,代表价格越高:

可以看出福田与南山独占鳌头,分别是 114.874 与 113.483 ,是其他地区的几倍。如果以福田 20 平方的房间为例算一下每个月的开销:

福田 20 平方房间的租金:
114.874 x 20 = 2297.48
再来个两百的水电、物业:
2297.48 + 200 = 2497.48
我们节俭一点来算的话,每天早餐 10 块,中午 25 块,晚饭 25 块:
2497.48 + 60 x 30 = 4297.48
是的,仅仅是活下来就需要 3997.48 块。隔断时间下个馆子,每个月买些衣服,交通费,谈个女朋友,与女朋友出去逛街,妥妥滴加个 3500:
4297.48 + 3500 = 7697.48
给爸妈一人一千:
7697.48 + 2000 = 9697.48

如果在乡下没有寸土寸金的感觉,那么可以到北上广深体验一下,福田区每平方米每天需要 3.829 元。

户型方面主要以 3 室 2 厅与 2 室 2 厅为主。与小伙伴抱团租房是最好的选择了,不然与不认识的人一起合租可能会发生一系列让你不舒服的事情。字体越大,代表户型数量越多。


租房面积统计,其中 30 – 90 平方米的租房占大多数——所以,组团租房是最好的选择。

然后是租房描述词云,字体越大,标识出现的次数越多。其中【精装修】占据了很大的部分,说明长租公寓也占领了很大一部分市场。

爬虫思路

先爬取房某下深圳各个板块的数据,然后存进 MongoDB 数据库,最后再进行数据分析。

数据库部分数据:

/* 1 */
{
 "_id" : ObjectId("5b827d5e8a4c184e63fb1325"),
 "traffic" : "距沙井电子城公交站约567米。",//交通描述
 "address" : "宝安-沙井-名豪丽城",//地址
 "price" : 3100,//价格
 "area" : 110,//面积
 "direction" : "朝南\r\n ",//朝向
 "title" : "沙井 名豪丽城精装三房 家私齐拎包住 高层朝南随时看房",//标题
 "rooms" : "3室2厅",//户型
 "region" : "宝安"//地区
}

爬虫技术分析和代码实现

爬虫涉及到的技术工具如下:

  • 请求库:requests
  • HTML 解析:Beautiful Soup
  • 词云:wordcloud
  • 数据可视化:pyecharts
  • 数据库:MongoDB
  • 数据库连接:PyMongo

首先右键网页,查看页面源码,找出我们要爬取的部分。

代码实现,由于篇幅原因只展示主要代码:(获取一个页面的数据)

 def getOnePageData(self, pageUrl, reginon="不限"):
 rent = self.getCollection(self.region)
 self.session.headers.update({
 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36'})
 res = self.session.get(
 pageUrl
 )
 soup = BeautifulSoup(res.text, "html.parser")
 divs = soup.find_all("dd", attrs={"class": "info rel"}) # 获取需要爬取得 div
​
 for div in divs:
 ps = div.find_all("p")
 try: # 捕获异常,因为页面中有些数据没有被填写完整,或者被插入了一条广告,则会没有相应的标签,所以会报错
 for index, p in enumerate(ps): # 从源码中可以看出,每一条 p 标签都有我们想要的信息,故在此遍历 p 标签,
 text = p.text.strip()
 print(text) # 输出看看是否为我们想要的信息
 print("===================================")
 # 爬取并存进 MongoDB 数据库
 roomMsg = ps[1].text.split("|")
 # rentMsg 这样处理是因为有些信息未填写完整,导致对象报空
 area = roomMsg[2].strip()[:len(roomMsg[2]) - 2]
 rentMsg = self.getRentMsg(
 ps[0].text.strip(),
 roomMsg[1].strip(),
 int(float(area)),
 int(ps[len(ps) - 1].text.strip()[:len(ps[len(ps) - 1].text.strip()) - 3]),
 ps[2].text.strip(),
 ps[3].text.strip(),
 ps[2].text.strip()[:2],
 roomMsg[3],
 )
 rent.insert(rentMsg)
 except:
 continue

数据分析:

 # 求一个区的房租单价(平方米/元)
#Python学习群631441315 ,群里有大量的PDF书籍、教程免费使用!不管是学习到哪个阶段的小伙伴都可以获取到自己需要的教程!
 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
​
 # 获取各个区 每个月一平方米需要多少钱
 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
​
 # 获取各个区 每一天一平方米需要多少钱
 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)
​
 # 获取各区统计样本数量
 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)
​
 # 获取各个区的房源比重
 def getAreaWeight(self):
 result = self.zfdb.rent.aggregate([{'$group': {'_id': '$region', 'weight': {'$sum': 1}}}])
 areaName = []
 areaWeight = []
 for item in result:
 if item["_id"] in self.getAreaList():
 areaWeight.append(item["weight"])
 areaName.append(item["_id"])
 print(item["_id"])
 print(item["weight"])
 # print(type(item))
 return (areaName, areaWeight)
​
 # 获取 title 数据,用于构建词云
 def getTitle(self):
 collection = self.zfdb["rent"]
 queryArgs = {}
 projectionFields = {'_id': False, 'title': True} # 用字典指定需要的字段
 searchRes = collection.find(queryArgs, projection=projectionFields).limit(1000)
 content = ''
 for result in searchRes:
 print(result["title"])
 content += result["title"]
 return content
​
 # 获取户型数据(例如:3 室 2 厅)
 def getRooms(self):
 results = self.zfdb.rent.aggregate([{'$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)
​
 # 获取租房面积
 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)

数据展示:

 # 展示饼图
 def showPie(self, title, attr, value):
 from pyecharts import Pie
 pie = Pie(title)
 pie.add("aa", attr, value, is_label_show=True)
 pie.render()
​
 # 展示矩形树图
#Python学习群631441315 ,群里有大量的PDF书籍、教程免费使用!不管是学习到哪个阶段的小伙伴都可以获取到自己需要的教程!
 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()
​
 # 展示条形图
 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()
​
 # 展示词云
 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算法的关键字抽取, topK返回频率最高的几项, 默认值为20, withWeight
 # 为是否返回关键字的权重
 tags = jieba.analyse.extract_tags(content, topK=100, withWeight=False)
 text = " ".join(tags)
 # 需要显示的背景图片
 img = imread(path.join(d, image_filename))
 # 指定中文字体, 不然会乱码的
 wc = WordCloud(font_path=font_filename,
 background_color='black',
 # 词云形状,
 mask=img,
 # 允许最大词汇
 max_words=400,
 # 最大号字体,如果不指定则为图像高度
 max_font_size=100,
 # 画布宽度和高度,如果设置了msak则不会生效
 # width=600,
 # height=400,
 margin=2,
 # 词语水平摆放的频率,默认为0.9.即竖直摆放的频率为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 的词云
 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()

不管怎样,最近房租的暴涨真得让人无能为力。应对外界条件的变动,我们还是应该提升自己的硬实力,这样才能提升自己的生存能力。

https://www.jianshu.com/p/feece7da9cc5

Python量化投资网携手4326手游为资深游戏玩家推荐:《手机游戏下载_好玩的手机游戏下载

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论