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

---恢复内容开始---

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）
 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
 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。

---恢复内容结束---