摘要:背景本文是大数据分析成都二手房平均价格的续集,前一篇文章中我们学习了如何使用爬虫获取数据,以及查看各个区域的平均价格做个大概的了解。
背景
本文是《大数据分析01——成都二手房(平均价格)》的续集,前一篇文章中我们学习了如何使用爬虫获取数据,以及查看各个区域的平均价格做个大概的了解。
但是存在2个问题:
(1)爬虫爬取了大量重复的数据,影响了分析结果
(2)没有帮助用户定位到自己满意的房源
本文将详细讲解如何解决这2个问题。
数据去重
解决的思路来子我自己提的问题爬虫如何去重,感兴趣的朋友可以过去看看。根据大家的建议我去重新学习scrapy的框架:
Scrapy运行流程大概如下:
首先,引擎(engine)从调度器(Scheduler)中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求传给下载器(Donwloader),下载器把资源下载下来,并封装成应答包(Response)
然后,爬虫解析Response
若是解析出实体(Item),则交给实体管道(Pipeline)进行进一步的处理。
若是解析出的是链接(URL),则把URL交给Scheduler等待抓取。
这个Scheduler的中间件不就负责URL的去重吗,然后我去掉request这个模块,让所有的请求都使用Scrapy.requset去发送,果然数据不会再重复了。最终我拿到了2万多条不重复的数据,与链家官方提示的只相差几百条数据,不清除是链家自己有重复的数据,还是我在输入验证码的时候丢失了这部分数据。后期再跟踪吧。但是现在的数据已经可以反应真实情况了。
定位房源
首先,我重新做了一张各个区平均房价的透视图,大家可以和前一篇文章的比较一下,看看重复数据vs完整数据的差别:
然后,我们想知道现在大家都更关注那个区域的房源,于是我把楼盘“看房数”和"关注数"堆叠起来作为关注度,得到下图:
看来天府新区和高新区限购后,大家都开始看周边的房子,比如龙泉驿,温江,双流。
那么究竟有哪些比较火的楼盘了,继续把“看房数”和"关注数"加起来,然后对“看房数”和"关注数"大于200的做个过滤(这里的price是总价):
刚好公司一位同事也准备买房子,他想在双流买一套二的,价格在60-90w,我们利用他给的条件加上“热度”,我过滤出下面数据:
最后,看看我们的数据都集中在哪些地区吧,这里度量我们用的平均价格,对应图标,越红表示价格越高,楼盘越多:
谢谢观看,觉得不错的朋友点个赞呗。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/40814.html
摘要:分布式任务调度平台一简介概述是一个轻量级分布式任务调度框架,其核心设计目标是开发迅速学习简单轻量级易扩展。 《分布式任务调度平台XXL-JOB》 showImg(https://segmentfault.com/img/remote/1460000010402214);showImg(https://segmentfault.com/img/remote/146000001040221...
摘要:原文地址爬取汽车之家二手车产品库项目地址目标最近经常有人在耳边提起汽车之家,也好奇二手车在国内的价格是怎么样的,因此本次的目标站点是汽车之家的二手车产品库分析目标源一页共条含分页,但这个老产品库,在页后会存在问题,因此我们爬取页可以获取全 原文地址:爬取汽车之家 二手车产品库项目地址:https://github.com/go-crawler... 目标 最近经常有人在耳边提起汽车之家...
阅读 3080·2021-11-10 11:36
阅读 3245·2021-10-13 09:40
阅读 5894·2021-09-26 09:46
阅读 647·2019-08-30 15:55
阅读 1395·2019-08-30 15:53
阅读 1558·2019-08-29 13:55
阅读 2976·2019-08-29 12:46
阅读 3182·2019-08-29 12:34