给出GitHub链接 click here

一、通过Scrapy框架获取数据

（1）、设置item

class HangzhouHouseItem(scrapy.Item): # define the fields for your item here like: name = scrapy.Field()# 存放名字 district = scrapy.Field()# 存放城市区域，上城区、下城区。。。。 loc = scrapy.Field()# 具体位置 area = scrapy.Field()# 面积 price = scrapy.Field()# 价格（元/m^2） danwei = scrapy.Field()# 价格单位

（2）、price.py

这部分是获取数据的主要、核心部分。 我爬取的连接是here 首先，我们来看下这个网页界面。 每一个红色方框就是一个独立的例子，我们主要爬取的是黄色的部分，主要包括：小区名字、区、地址、价格这几个方面。

*1、获取这一页的所有房子

我使用的是chrome浏览器，在这个网页上，首先按住F12，然后按下图操作： 我们首先点按钮1，我们可以看到每一个小区都对应右边代码<div class='s-lp-all'>...</div>。 所以我们需要选出这一页所有的房子。 我们可以使用下面代码实现：

base_url = 'https://hz.focus.cn/loupan/p' house_list = response.xpath('//div[@class="s-lp-all "]')

*2、小区名字

对每一个房子，在这个网页上，首先按住F12，然后按下图操作：

按照步骤1–》步骤2–》步骤三–》，我们关键看步骤三，我们可以看到，这个小区的名字在

的标签下的 标签中的字符串中， 所以我们使用下面的代码实现：

name = each.xpath('.//div[@class="title"]/a/text()').extract()

*3、区位+地址

同样按照小区名字的方式来提取信息 后面，需要将区位和具体的地址分离。

loc = each.xpath('.//p[@class="location"]/span/text()').extract()

*4、面积

这里，我在price.py文件中选取的是汉字+数字，后期处理。

area = each.xpath('.//span[@class="building-area"]/text()').extract()

*5、价格

price = each.xpath('.//span[@class="price"]/text()').extract()

后期也是要处理的，主要是因为有些给的价格是元每平方米，二有的是多少万元每栋的，所以单位要统一，我同意换成前者。

*6、单位

danwei = each.xpath('.//span[@class="danwei"]/text()').extract()

*7、将上面的数据放入到item中，来传输信息

item['name'] = name[0] item['loc'] = loc[0] item['area'] = area[0] if area else 'NAN' item['price'] = price[0] item['danwei'] = danwei[0] if danwei else 'NAN' yield item

*8、获取多页爬取

for page in range(1, 25): url_ = ''.join([base_url,str(page), '/']) # print() # print('*' * 50) # print(url_) # print() next_request = Request(url_, callback=self.parse) yield next_request

（3）、pipeline.py

*1、这里主要是处理面积和价格。

对于面积来说，主要是通过提取的面积，来split，然后求取面积的范围的中位数。 对于价格，首先，是根据单位来处理，如果单位是元每平方米，就直接存放，否则就除以面积然后存放。

# deal with area, get a number if item['area'] != 'NAN': item['area'] = item['area'].split('：')[-1] item['area'] = item['area'][:-3] temp = item['area'].split('-') if len(temp) > 1: item['area'] = int((int(temp[0]) + int(temp[1])) / 2) else: item['area'] = temp[0] # for split district and loc temp = item['loc'].split(' ') item['district'] = temp[0] item['loc'] = temp[1] # # deal with price # curr_danwei = item['danwei'] # if curr_danwei == ' 万元 / 套': if re.search(r'.*万元 / 套.*', item['danwei']): if item['area'] == 'NAN': item['price'] = ' NAN' else: item['price'] = ' ' + str(int(item['price']) * 10000 // int(item['area'])) # print('*************') elif item['price'] == ' 待定': item['price'] = ' NAN'

*2、存入数据库

更详细的数据库连接，可以看这篇blog

self.cursor.execute( """insert into price(name_, district, loc, area, price) value (%s, %s, %s, %s, %s)""", (item['name'], item['district'], item['loc'], item['area'], item['price'])) # 提交sql语句 self.connect.commit()

二、数据分析

（1）导入数据

import pymysql import pandas as pd def load_data_from_sql(sql, host, db, user, passwd, charset ='utf8', use_unicode=True): """load data frin mysql, and use pandas to store data""" # bulid connect con = pymysql.connect( host=host, db=db, user=user, passwd=passwd, charset=charset, use_unicode=use_unicode) # build cursor cursor = con.cursor() house_price = pd.read_sql(sql, con) con.close() return house_price if __name__ == '__main__': print(load_data_from_sql('select * from price', 'localhost', 'house_price_HZ', 'root', '123456'))

（2）清洗数据

import pandas as pd import numpy as np from load_data import load_data_from_sql # house_price.info() def clearn_data(): house_price = load_data_from_sql('select * from price', 'localhost', 'house_price_HZ', 'root', '5119550') # 选择有用的信息 df = pd.DataFrame(house_price, columns=['name_', 'district', 'area', 'price']) # latitude dict lat_dict = {'上城': [120.17, 30.25], '下城': [120.17, 30.28], '拱墅': [120.13, 30.32], '西湖': [120.13, 30.27], '滨江': [120.20, 30.20], '萧山': [120.27, 30.17], '余杭': [120.30, 30.42], '桐庐': [119.67, 29.80], '淳安': [119.03, 29.60], '建德': [119.28, 29.48], '江干': [120.21, 30.2572], '富阳': [119.95, 30.05], '临安': [119.72, 30.23], '金华': [119.65, 29.09],'海宁': [120.68, 30.51], '湖州': [120.10, 30.87]} # a = df.groupby('district') # # print(type(df['price'][0])) df['price'] = pd.to_numeric(df['price'], errors='coerce') df['area'] = pd.to_numeric(df['area'], errors='coerce') # # print(type(df['price'][0])) # avg_price_each_dis = dict(a['price'].agg(np.mean)) # # # val = df['price'].isnull() # print(avg_price_each_dis) # 下面实现缺省值用同一district的均值填充，这个代码要领会 # 需要处理的列 cols = ['area', 'price'] # 分组的列 gp_col = 'district' # 查询对应列的nan df_na = df[cols].isnull() # 根据分组计算均值 df_mean = df.groupby(gp_col)[cols].mean() # print(df.tail()) for col in cols: na_saries = df_na[col] districts_ = list(df.loc[na_saries, gp_col]) # print(districts_) t = df_mean.loc[districts_, col] t.index = df.loc[na_saries, col].index df.loc[na_saries, col] = t return df if __name__ == '__main__': df = clearn_data() print(df.tail())

（3）绘图分析

import pandas as pd from clearn_data import clearn_data import matplotlib.pyplot as plt from pylab import mpl import pyecharts mpl.rcParams['font.sans-serif'] = ['simhei'] # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 df = clearn_data() # print(df.tail()) def plot_district_(type = 'price'): """绘制区域与价格或面积图. type = 'price' 或者 ‘area’""" each_dist_price = df.groupby('district')['price'].mean().sort_values(ascending=False) each_dist_area = df.groupby('district')['area'].mean().sort_values(ascending=False) if type == 'price': each_dist_price.plot(kind='bar',color='b') plt.ylim(0,70000,10000) plt.title("杭州市各区房价平均价格") plt.ylabel("房屋平均价格（元/平方米）") elif type == 'area': each_dist_area.plot(kind='bar', color= 'g') plt.ylim(0, 600, 100) plt.title('杭州市各区房价平局面积') plt.ylabel('房屋平均面积（平方米）') plt.xlabel("杭州行政区划") plt.xticks(rotation = 60) plt.rcParams['figure.dpi'] = 300 plt.show() def plot_box_district_(type = 'price'): """箱型图""" if type == 'price': df.boxplot(column = 'price', by='district') plt.title('杭州市各区房价箱型图') plt.ylabel("房屋平均价格（元/平方米）") elif type == 'area': df.boxplot(column = 'area', by ='district') plt.title('杭州市各区面积箱型图') plt.ylabel('房屋面积（平方米）') plt.xlabel("杭州行政区划") plt.show() def plot_scatter(): plt.figure(figsize=(10,8),dpi=256) colors = ['red', 'red', 'red', 'red', 'blue', 'blue', 'blue', 'blue', 'green', 'green', 'green', 'green', 'gray', 'gray', 'gray', 'gray'] addr_dist = ['上城','下城','拱墅','西湖', '滨江','萧山','余杭','桐庐', '淳安', '建德','江干','富阳', '临安','金华', '海宁', '湖州'] markers = ['o','s','v','x', 'o', 's', 'v', 'x', 'o', 's', 'v', 'x', 'o', 's', 'v', 'x'] for i in range(len(addr_dist)): x = df.loc[df['district'] == addr_dist[i]]['area'] y = df.loc[df['district'] == addr_dist[i]]['price'] plt.scatter(x, y, c = colors[i], label = addr_dist[i], marker=markers[i]) plt.legend(loc=1, bbox_to_anchor=(1.138, 1.0), fontsize=12) plt.xlim(0, 600) plt.ylim(0, 100000) plt.title('杭州各区二手房面积对房价的影响', fontsize=20) plt.xlabel('房屋面积（平方米）', fontsize=16) plt.ylabel('房屋单价（元/平方米）', fontsize=16) plt.show() print(df['area'].max()) # plot_scatter() # c = df.loc[:, 'price'] # print(c) # fre = df.price.apply(lambda x: 1 if 0 < x < 20000 else 0).sum() # print(fre) def pie_price(): # level_price = {'区间价格： 【0~1W】': 0, # '区间价格： 【1~2W】': 0, # '区间价格： 【2~3W】': 0, # '区间价格： 【3~4W】': 0, # '区间价格： 【4~5W】': 0, # '区间价格： 【5~6W】': 0, # '区间价格： 【6~7W】': 0, # '区间价格： 【7~8W】': 0} level_price = pd.Series() def count_range(low = None, high = None): if not high: fre_num = df.price.apply(lambda x: 1 if low <= x else 0).sum() elif not low: fre_num = df.price.apply(lambda x: 1 if x < high else 0).sum() elif high and low: fre_num = df.price.apply(lambda x: 1 if low <= x < high else 0).sum() else: print('please enter right number') return fre_num level_price['区间价格： 【0~1W】'] = count_range(0, 10000) level_price['区间价格： 【1~2W】'] = count_range(10000, 20000) level_price['区间价格： 【2~3W】'] = count_range(20000, 30000) level_price['区间价格： 【3~4W】'] = count_range(30000, 40000) level_price['区间价格： 【4~5W】'] = count_range(40000, 50000) level_price['区间价格： 【5~6W】'] = count_range(50000, 60000) level_price['区间价格： 【6~7W】'] = count_range(60000, 70000) level_price['区间价格： 【7~8W】'] = count_range(70000, 80000) level_price['区间价格： 【8w +】'] = count_range(80000) # print(level_price) level_price.plot.pie(figsize=(8, 8), autopct='%.2f') plt.title('价格区间饼状图') plt.show() def map_price(): group_price = df.groupby('district')['price'].mean() districts = ['上城区', '下城区', '临安市', '余杭区', '富阳区', '建德市', '拱墅区', '桐庐县', '江干区', '淳安县', '滨江区', '萧山区', '西湖区'] # print(group_price) prices = [65200, 50000, 20738, 28540, 21672, 9940, 38660, 20780, 40040, 13222, 42981, 29399, 39175] map = pyecharts.Map('杭州地图', width=800, height=600) map.add('杭州各区价格（元/平方米）', districts, prices, visual_range=[8000, 100000], maptype='杭州', is_visualmap=True, visual_text_color='#000', is_label_show=True) map.render('HZ-Price.html') if __name__ == '__main__': # print(pyecharts.__version__) # map_price() pass

效果图：

有什么建议欢迎指出。