主頁 > 後端開發 > 北郵 python 爬蟲爬取鏈家的新房資料進行資料處理

北郵 python 爬蟲爬取鏈家的新房資料進行資料處理

2020-11-25 12:04:51 後端開發

博主宣告:用途僅供學習


items.py


import scrapy


class MyItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()    # 名稱
    place1 = scrapy.Field()   # 地理位置
    place2 = scrapy.Field()
    place3 = scrapy.Field()
    model = scrapy.Field()   # 房型
    aera = scrapy.Field()   # 面積
    totalprice = scrapy.Field()   # 總價
    UnitPrice = scrapy.Field()    # 單價
    unit = scrapy.Field()    # 價格單位

spider.py

import scrapy
from linajia.items import MyItem  # 從items.py中引入MyItem物件

class mySpider(scrapy.spiders.Spider):
    name = "linajia"  # 爬蟲的名字是linajia
    allowed_domains = ["bj.lianjia.com/"]  # 允許爬取的網站域名
    start_urls = ["https://bj.fang.lianjia.com/loupan/"]
    # 多頁爬取
    for pg in range(2, 20):
        start_urls.append("https://bj.fang.lianjia.com/loupan/pg{}/".format(pg))
    # 減慢爬蟲速度,保證順序不亂序
    download_delay = 1

    def parse(self, response):  # 決議爬取的內容
        item = MyItem()  # 生成一個在items.py中定義好的Myitem物件,用于接收爬取的資料
        for each in response.xpath('/html/body/div[4]/ul[2]/li'):
            try:
                item['name'] = each.xpath("div/div[1]/a/text()").extract()[0]
                item['place1'] = each.xpath("div/div[2]/span[1]/text()").extract()[0]
                item['place2'] = each.xpath("div/div[2]/span[2]/text()").extract()[0]
                item['place3'] = each.xpath("div/div[2]/a/text()").extract()[0]
                #  取最小戶型
                l = each.xpath("div/a/span[1]/text()").extract()
                if len(l) == 0:  # 最小戶型的資料可能不存在,進行判斷,如果不存在,那么賦值為''
                    item['model'] = ''
                else:
                    item['model'] = l[0]
                # item['aera']取最小面積
                l1 = each.xpath("div/div[3]/span/text()").extract()
                if len(l1):   # 最小面積的資料存在時,進行提取最小值
                    str = l1[0]
                    startpos = str.find(" ") + 1
                    endpos = str.find("-")
                    if endpos == -1:
                        endpos = str.find("m")
                    item['aera'] = str[startpos: endpos]
                else:   # 最小面積不存在時,賦值為空串''
                    item['aera'] = ''
                # item['totalprice']
                l2 = each.xpath("div/div[6]/div[2]/text()").extract()
                # item['UnitPrice']
                l3 = each.xpath("div/div[6]/div[1]/span[1]/text()").extract()
                unit = each.xpath("div/div[6]/div/span[2]/text()").extract()

                # 由于存在網頁顯示均值的位置可能出現總價,那么進行如果進行不處理讀取,會導致某些行的資料
                # 在均值的位置顯示總價,而總價的位置顯示為空
                if -1 != unit[0].find("總價"):
                    item['totalprice'] = l3[0]   # 將均值處顯示的總價放置于總價的位置
                    item['UnitPrice'] = ''
                else:
                    if len(l3) == 0:
                        item['UnitPrice'] = ''
                    else:
                        item['UnitPrice'] = l3[0]
                    if len(l2) == 0:
                        item['totalprice'] = ''
                    else:
                        item['totalprice'] = l2[0]
                yield item
            except ValueError:
                pass

DataProcess.py

import numpy as np
import pandas as pd

# 打開CSV檔案
fileNameStr = 'MyData.csv'
orig_df = pd.read_csv(fileNameStr, encoding='gbk', dtype=str)

# 1.將字串的列前后空格去掉
orig_df['name'] = orig_df['name'].str.strip()
orig_df['place1'] = orig_df['place1'].str.strip()
orig_df['place2'] = orig_df['place2'].str.strip()
orig_df['place3'] = orig_df['place3'].str.strip()
orig_df['model'] = orig_df['model'].str.strip()
orig_df['aera'] = orig_df['aera'].str.strip()
orig_df['totalprice'] = orig_df['totalprice'].str.strip()
orig_df['UnitPrice'] = orig_df['UnitPrice'].str.strip()

# 2.將aera變為整型
orig_df['aera'] = orig_df['aera'].fillna(0).astype(np.int)

# 3.將單價變為整型
orig_df['UnitPrice'] = orig_df['UnitPrice'].fillna(0).astype(np.int)

# 3.價格處理
orig_df['totalprice'] = orig_df['totalprice'].str.replace("總價", "")
orig_df['totalprice'] = orig_df['totalprice'].str.replace("萬/套", "")
orig_df['totalprice'] = orig_df['totalprice'].fillna(0).astype(np.int)

# 4.總價計算
for idx, row in orig_df.iterrows():
    if orig_df.loc[idx, 'totalprice'] == 0:
        orig_df.loc[idx, 'totalprice'] = (orig_df.loc[idx, 'aera'] * orig_df.loc[idx, 'UnitPrice']) // 10000
    if orig_df.loc[idx, 'UnitPrice'] != 0:
        orig_df.loc[idx, 'UnitPrice'] = '%.4f' % (orig_df.loc[idx, 'UnitPrice'] / 10000)
    elif orig_df.loc[idx, 'UnitPrice'] == 0:
        orig_df.loc[idx, 'UnitPrice'] = '%.4f' % (orig_df.loc[idx, 'totalprice'] / orig_df.loc[idx, 'aera'])
    # 將填補的aera為空處復原

# 5.面積復原,將填充的0去掉
orig_df['aera'] = orig_df['aera'].astype(np.str)
for idx, row in orig_df.iterrows():
    if orig_df.loc[idx, 'aera'] == '0':
        orig_df.loc[idx, 'aera'] = ''

# 6.總價
# 最大值
print("總價:")
imaxpos = orig_df['totalprice'].idxmax()
print("最貴房屋", orig_df.loc[imaxpos, "totalprice"], orig_df.loc[imaxpos, "name"])
# 最小值
iminpos = orig_df['totalprice'].idxmin()
print("最便宜房屋", orig_df.loc[iminpos, "totalprice"], orig_df.loc[iminpos, "name"])
# 中位數
print("中位數", orig_df['totalprice'].median())

# 7.單價
# 最大值
print("單價:")
idmaxpos = orig_df['UnitPrice'].astype(float).idxmax()
print("最貴房屋", orig_df.loc[idmaxpos, "UnitPrice"], orig_df.loc[idmaxpos, "name"])
# 最小值
idminpos = orig_df['UnitPrice'].astype(float).idxmin()
print("最便宜房屋", orig_df.loc[idminpos, "UnitPrice"], orig_df.loc[idminpos, "name"])
# 中位數
print("中位數", orig_df['UnitPrice'].median())

orig_df.to_csv("NewMydata.csv", header=True, encoding="gbk", mode='w+', index=False)

處理結果
在這里插入圖片描述

轉載請註明出處,本文鏈接:https://www.uj5u.com/houduan/227534.html

標籤:python

上一篇:USYD悉尼大學INFO1110 Oral Exam口語考試

下一篇:(每日一題!)LeetCode:222. 完全二叉樹的節點個數。————中等難度

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態,例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1:當函式不可能拋出例外或不能接受拋出例外時,使用noexcept 理由 如果不打算拋出例外的話,程式就會認為無法處理這種錯誤,并且應當盡早終止,如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接:https://codeforces.com/problemset/problem/1400/E 來源:Codeforces 思路:給你一個陣列,現在你可以進行兩種操作,操作1:將一段沒有 0 的區間進行減一的操作,操作2:將 i 位置上的元素歸零。最終問:將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯,就附帶了一個自己的翻譯版本 思考 這一題,它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數,這里就不慢慢介紹了。但是,重讀題,我們突然發現反向質數都是 $7$ 位,而將它反過來后的數字卻是 $6$ 位數,這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記:C++中的 const 變數詳解,教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中,會分配記憶體(也就是說可以通過地址間接修改變數的值)。測驗代碼如下: 運行結果: 2、全域const變數存放在只讀資料段(不能通過地址修改,會發生寫入錯誤), 默認為外部聯編,可以給其他源檔案使用(需要用extern關鍵字修飾) 運行結果: ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中,添加資源 2. 點擊新添加的資源,復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案,編輯,使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索,點擊查找全部,然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h,在其中預先定義好宏 ID(不清楚其實ID值應該設定多少,可以先新建一個相同的資源項,再在這個資源的ID值的基礎上遞增即可) 2. 在資源視圖中選中專案資源,按F7編輯資源檔案,按 ID 型別 相對路徑的形式添加 資源。(別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記:關于C++的參考型別,專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考,也叫別名。 參考就是給一個變數名取一個變數名,方便我們間接地使用這個變數。我們可以給一個變數創建N個參考,這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間,占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名,但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++:初學者完整指南

    眾所周知,C ++的學習曲線陡峭,但是花時間學習這種語言將為您的職業帶來奇跡,并使您與其他開發人員區分開。您會更輕松地學習新語言,形成真正的解決問題的技能,并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣(即清晰一致的編碼風格,在撰寫代碼時注釋代碼,并限制類內部的可見性),并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標(smart pointers)是一類資料結構,是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標(pointer)是一個包含記憶體地址的變數的通用概念。這個地址參考,或 ” 指向”(points at)一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身,參考傳遞(如果傳遞的值需要實體化到堆里)如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如: 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號:Hunter后端 原文鏈接:Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類,Extract() 和 Trunc() Extract() 函式作用是提取日期,比如我們可以提取一個日期欄位的年份,月份,日等資料 Trunc() 的作用則是截取,比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM? JVM,全稱Java Virtual Machine(Java虛擬機),是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊,使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息!

    更新完微信服務號的模板訊息之后,我又趕緊把微信小程式的訂閱訊息給實作了!之前我一直以為微信小程式也是要企業才能申請,沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類: 位元組緩沖流:BufferedInputStream,BufferedOutputStream 字符緩沖流:BufferedReader,BufferedWriter 緩沖流的基本原理,是在創建流物件時,會創建一個內置的默認大小的緩沖區陣列,通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說,人太懶了,現在基本都不喜歡寫筆記了,但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的,寫的注釋挺全的,應該直接看得懂,就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景:視頻分段傳輸、視頻多段傳輸(理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發,從基本到高級概念,包括簡介,UWP,第一個應用程式,商店,XAML控制元件,資料系結,XAML性能,自適應設計,自適應UI,自適應代碼,檔案管理,SQLite資料庫,應用程式到應用程式通信,應用程式本地化,應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more