应用Python来援助姑妈买房!Python“买”房比他本人买便宜二八千0

发布时间:2019-03-27  栏目:Python  评论:0 Comments

1、Python基础

Python是一种面向对象、解释型自由语言,语法简洁清晰、基础代码库丰裕,覆盖互连网、文件、GUI、数据库、文本等世界。并能和别的主流语言调换帮助制作。Python主要分为Cpython、Jpython、IronPython、PyPy等。解释型语言可移植行好,然而运转速度没有编写翻译型语言,其次解释型语言源码不可能像编写翻译型那样编写翻译成二进制串加密。

图片 1

 

过多时候大家都认为有些失去是因为及时的标准不一致意可能是外因的烦扰,但深究下去就会发觉装有的结果都以出自我们内心深处的选项。失去与收获都以定局的。

1.1.2 Linux

设置Python3.x.x,通过pip安装需求的第③方库。


1.2 Python库

Python为开发者提供丰裕代码库,开发者从不会从零开头开发,基础成效基本已经有现成的老道的框架或库帮忙,因而大幅的晋升开发者的开发功能和加强代码健壮性。

图片 2

 

Python很容易学!小编有弄叁个调换,互问互答,能源共享的交流学习集散地,假若您也是Python的学习者大概大腕都迎接你来!㪊:548+377+875!一起
学习共同进步!

图片 3

 

温哥华房价飞涨,但也阻挡不住祖国外地人民来蒙特利尔买房的欲念。德国首都房价动辄几百万,程序猿那种动物想在布拉迪斯拉发祥和压力山大。所以买房必然是人生一首要决定,必须货比三家。当前各个房产中介,各个开发商,各个楼盘。新闻多到大家鞭长莫及左右。因此程序猿就须要选用标准的优势通过某个方法获得实惠数据,分析筛选最优异的住房来源。

A先生最早来楼盘看的房子,本地人首套房刚需客户。楼盘属Yu Gang开发的区域广阔的配套不是那么完美,但价格是全部区域最有益的,再者高校跟医院菜市镇这一个骨干的生存配套依然有,且离的挺近的。刚好当时的购房政策能够首付两成,所以任何都正好好。A先生笑容可掬的说回家跟太太说,等开盘就来定房。

2.1.1 Python教你买房维度指标种类

Python教您买房首先我们必要规定大家购房时最关注的维度体系和指标体系。关怀重要维度和严重性目的种类如图所示:

图片 4

 

Python教你买房,分为数据爬虫和大数据解析。首先通过爬虫形式获取到费城房产交易网成功交易量和交易价格并得出麦纳麦房价的趋势,获得最合适的购房时间段,确认最好的上车时间。然后爬取链家网数据并按用户关切维度深度分析帅选得出适宜的房屋,做好全方位上车的预备。

图片 5

 

过了二个多星期A先生再次恢复生机售楼部,这一次除开带了太太外还带了情侣B先生跟老婆。在通晓项指标骨干气象的时候,B先生跟老伴时不时的会用家长途电话聊几句,基本都以协商地方合不合适,他们的钱够不够付首付,小孩上学是不是有利于类似的难题。A先生因为事先来过相比较了然情况,有时候也会给他两介绍下。两家推测常常的关系都挺好的,后来坐下来聊的挺欢的,从老家的房舍到近来的娃上学的事都聊了个遍,后来聊到买房的事,平素没怎么说话的A太太终于打开了话匣子:“咱们家老A平素就不是有钱的命,从结婚到现行反革命怎么不是靠的大家和好啊,那么些你们也知晓家里根本靠不上。未来来看我们都到城里来买房了就也眼红了,那天回去就跟小编说哪哪的房舍多少钱一平,要不大家也买到一套来,反正自个儿是觉得未来买不可信赖,家里还两小孩正要费用的时候,前几年大的就要上高中了,那手里不能够没点钱啊。而且这房子这么多年了哪有老是涨的道理啊,哪有那么几人要买房子的,还不是被他们炒起来的。”A先生刚想出口太太1个白眼瞪过来也不吱声了,临走的时候B太太积极加了本人的微信跟要了联系格局说是回来想起有哪些不懂的再来问小编。

2.1.2 Python教您买房框架

Python教你买房框架,主要分为5块,分别为主程序模块、代理IP模块、地图服务模块、可视化服务模块、目的页面模块等。主程序为第2运转代理IP模块,抓取带来IP并通过测试可用代理IP存入到代理池,定时线程定时清洗带来并把无效的推动IP剔除出代理池,代理IP模块并提供外部API获取代理IP。主程序通过代理服务走访并抓取外部网页的行之有效音信并在主程序模块精晓习HTML并写入到地点文件。主程序会调用地图服务获得经纬度新闻,并绘制热力图等。同时间可视化模块定时读取文件并生成可视化图形报表供业务侧分析应用。

图片 6

 

一 、主服务模块

主程块通过Api提需求前端用户登录和收获用户交互输入,通过参数解析获取获得用户的须要组装请求,获取代理IP转载呼吁到指标地址获取目的数据,再次回到数据通过html解析获得管用数据写入到文件地图服务和可视化服务生产自身的图片报表,辅佐得出Python教你买房的数目支撑。

二 、IP代理服务模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# function:定时抓取免费代理IP,并检查可用性,可用proxy存入数据库供业务方调用获取# Author:elideng# date: 2017-11-11import requestsfrom bs4 import BeautifulSoupimport tracebackimport pymysqlimport threadingimport time'''
*@Function【爬取IpProxy】
*@Request: 请求 [in]
* param1 int iReqGetNum: 请求获取代理量
*@Response:响应 [out]
* param1 int iFinalGetNum: 最终获取代理量
*@Return:返回值 int : 0(成功) 其它失败
'''def GrabIpProxy():
 arrIpList = []
 User_Agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
 header = {}
 header['User-Agent'] = User_Agent #url = 'http://www.xicidaili.com/nn/1'
 url = 'http://www.baidu.com'
 res = requests.get(url, headers=header) if res.status_code == 200:
 info = {}
 soup = BeautifulSoup(res.text, 'lxml')
 ips = soup.findAll('tr') for x in range(1, len(ips)):
 ip = ips[x]
 tds = ip.findAll("td")
 ip_port = tds[1].contents[0] + ":" + tds[2].contents[0]
 arrIpList.append(ip_port) #后续加上代理可用校验,非可用踢出代理池
 #print(ip_port)
 #计算列表量
 return arrIpList'''
*@Function【测试ipProxy是否可用】
*@Request: 请求 [in]
* param1 String desUrl: 测试目的地址
* param2 String ipProxy:代理IP端口
* param3 int iTimeout:超时时间
* param4 String feature:目的地址特征
*@Response:响应 [out]
* param1 int iFinalGetNum: 最终获取代理量
*@Return:返回值 :成功返回代理Proxy 失败返回空
'''def checkProxyIP(desUrl, ipProxy, iTimeout=3, feature=""): #确认带来iPaddress 2秒内能否
 #desUrl = 'http://www.baidu.com'
 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'}
 proxies = {'http': 'http://' + ipProxy} #组装代理
 res = None # 声明
 exMsg = None
 try: #res = requests.get(url=desUrl, headers=header, proxies=proxies, timeout=iTimeout)
 res = requests.get(desUrl, proxies=proxies, timeout=iTimeout) # 代理方式请求,防止反爬虫
 soup = BeautifulSoup(res.text, 'lxml') #feature=""
 #print(soup.findAll(feature))
 except:
 exMsg = '* ' + traceback.format_exc() if exMsg: return -1
 if res.status_code != 200: return -1
 if res.text.find(feature) < 0: return -1
 return 0#更新代理池IPdef updateProxy(ipProxy, vaildFlag="N"):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor() try:
 cursor.execute('update t_proxy set FvaildFlag="%s" where Fproxy="%s" limit 1' % (ipProxy, vaildFlag))
 smysql.commit() #提交执行
 except:
 smysql.rollback()
 smysql.close() return 0#新增代理池IPdef insertProxy(ipProxy, vaildFlag="Y"):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor() try:
 cursor.execute('insert into t_proxy values("%s", "%s", now(), now())' % (ipProxy, vaildFlag))
 smysql.commit() #提交执行
 except:
 smysql.rollback()
 smysql.close() return 0#获取Proxydef getProxy(proxyNum):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor()
 proxyList=[] try: if proxyNum == -1:
 cursor.execute('select Fproxy from t_proxy where FvaildFlag='Y'') else:
 cursor.execute('select Fproxy from t_proxy where FvaildFlag='Y' limit %s' % (proxyNum))
 results = cursor.fetchall() for row in results:
 proxyList.append(row[0]) except: # Rollback in case there is any error
 smysql.rollback()
 smysql.close() return proxyListdef CheckIpProxyTimer():
 arrIpList = []
 arrIpList = getProxy(-1) #获取代理池全量有效代理IP
 #测试地址
 #feature = 'xxx' #目标网页的特征码, 暂时不启用
 desUrl = "http://www.baidu.com"
 for ipProxy in arrIpList:
 iRes = checkProxyIP(desUrl, ipProxy) if iRes: #Proxy验证通过
 setProxy(ipProxy, "Y") else:
 setProxy(ipProxy, "N") #失效无效代理if __name__ == '__main__': #0、爬取免费代理IP
 GrabIpProxy() #1、启动定时线程,定时测试并清洗数据库代理IP
 timer = threading.Timer(3600, CheckIpProxyTimer)
 timer.start() #2、设置定时器失效时间
 time.sleep(5)
 timer.cancel() #5秒后停止定时器,程序可一直执行

叁 、地图服务模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# Author:elideng# date: 2017-11-08from urllib.request import urlopen, quoteimport jsonfrom bs4 import BeautifulSoupimport os#根据地址获取经纬度def getlnglat(address):
 url = 'http://api.map.baidu.com/geocoder/v2/'
 output = 'json'
 ak = 'ATzU2rqfrFoQcImvG9mvGm9bxchxjLYL'
 add = quote(address) #由于本文地址变量为中文,为防止乱码,先用quote进行编码
 uri = url + '?' + 'address=' + add + '&output=' + output + '&ak=' + ak
 req = urlopen(uri)
 res = req.read().decode()
 temp = json.loads(res)
 lat=0
 lng=0
 if 0 == temp['status']:
 lat=temp['result']['location']['lat']
 lng=temp['result']['location']['lng'] return lat,lng#根据两个经纬度计算距离def getPlaceDistance():
 return 0#根据两个地点计算各类交通时间def getPlaceTime():
 return 0def drawHeatChart(date):
 file = open("data.js", "a+") #data.js
 file.seek(3) # 定位到第0行
 file.writelines(date) #写入源数据到热力图源文件
 file.close() return 0if __name__ == '__main__':
 HeatChartSrcFile = input('输入热力图源文件:') #data.js
 drawHeatChart(HeatChartSrcFile)

<!DOCTYPE html><html><head>
 <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
 <meta name="viewport" content="initial-scale=1.0, user-scalable=no" />
 <script
 src="https://code.jquery.com/jquery-3.2.1.min.js"
 integrity="sha256-hwg4gsxgFZhOsEEamdOYGBf13FyQuiTwlAQgxVSNgt4="
 crossorigin="anonymous"></script>
 <script type="text/javascript" src="http://api.map.baidu.com/api?v=2.0&ak=DD279b2a90afdf0ae7a3796787a0742e"></script>
 <script type="text/javascript" src="http://api.map.baidu.com/library/Heatmap/2.0/src/Heatmap_min.js"></script>
 <script type="text/javascript" src="./data.js"></script>
 <title>热力图功能示例</title>
 <style type="text/css">  ul,li{list-style: none;margin:0;padding:0;float:left;}  html{height:100%}  body{height:100%;margin:0px;padding:0px;font-family:"微软雅黑";}  #container{height:500px;width:100%;}  #r-result{width:100%;} </style></head><body>
 <div id="container"></div>
 <div id="r-result">
  <input type="button" onclick="openHeatmap();" value="显示热力图"/><input type="button" onclick="closeHeatmap();" value="关闭热力图"/>
 </div></body><script type="text/javascript">
 var map = new BMap.Map("container"); // 创建地图实例
 var point = new BMap.Point(114.061087, 22.528578); //自定义地图中点
 map.centerAndZoom(point, 12); // 初始化地图,设置中心点坐标和地图级别
 map.enableScrollWheelZoom(); // 允许滚轮缩放
 if(!isSupportCanvas()){
  alert('热力图目前只支持有canvas支持的浏览器,您所使用的浏览器不能使用热力图功能~')
 }
 heatmapOverlay = new BMapLib.HeatmapOverlay({"radius":20});
 map.addOverlay(heatmapOverlay); var param = {data:window.points,max:100}; //读取data.js热力源数据并生成热力图
 console.log(param);
 heatmapOverlay.setDataSet(param); //是否显示热力图
 function openHeatmap(){
 heatmapOverlay.show();
 } function closeHeatmap(){
 heatmapOverlay.hide();
 setTimeout(function(){
 location.reload();
 }, 10000)
 }
 closeHeatmap(); function setGradient(){  var gradient = {};  var colors = document.querySelectorAll("input[type='color']");
  colors = [].slice.call(colors,0);
  colors.forEach(function(ele){
   gradient[ele.getAttribute("data-key")] = ele.value;
  });
 heatmapOverlay.setOptions({"gradient":gradient});
 } //判断浏览区是否支持canvas
 function isSupportCanvas(){ var elem = document.createElement('canvas'); return !!(elem.getContext && elem.getContext('2d'));
 }</script></html>

④ 、可视化模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# function:可视化服务# Author:elideng# date: 2017-11-05import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport plotlyimport plotly.plotly as pyimport plotly.graph_objs as go
plotly.tools.set_credentials_file(username='elideng', api_key='tsc3809760')#雷达图显示房屋关注指标def drawRadarMap(chartName, arrLables, arrData, labelNum):
 #数据校验
 if labelNum < 0 or labelNum >10: return -1
 if len(arrLables) != labelNum or len(arrData) != labelNum: return -2
 #=======自己设置开始============
 #标签
 labels = np.array(arrLables) #数据
 data = np.array(arrData) #========自己设置结束============
 angles = np.linspace(0, 2*np.pi, labelNum, endpoint=False)
 data = np.concatenate((data, [data[0]])) # 闭合
 angles = np.concatenate((angles, [angles[0]])) # 闭合
 fig = plt.figure()
 ax = fig.add_subplot(111, polar=True) # polar参数!!
 ax.plot(angles, data, 'bo-', linewidth=2) # 画线
 ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充
 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
 ax.set_title(chartName, va='bottom', fontproperties="SimHei")
 ax.set_rlim(0,10)
 ax.grid(True)
 plt.show()#皮尔逊作图def drawPearson():
 return 0

后来买房的时候唯有四人来了,没错A太太没来,说是不想来听大家忽悠。选房的时候B先生当然更着眼于二个楼层更高的户型的,但考虑到房价跟爱妻一商量就控制还是选低几层的同贰个户型。后来三人舒心的就交了钱把房定下来了。五人全程有商有量的令人十分羡慕,一直讲的互济大约正是其一长相吧。而A先生则在旁边好窝心。

2.1.3 Python教您买房系列

① 、网页观望

第2鲜明爬取链家网温哥华房源,明确开地方址http://sz.lianjia.com。通过上一页和下一页完整的URL比较组装符合筛选条件的房源链接。通过chrom的开发者工具的network,并把preserve
log勾选,清空Filter后刷新网页,观望网页html代码。

② 、网页爬取

因而Python3的requests库提供的HTTP请求Get/Post通用方法模拟浏览器请求生成全体符合规则的USportageL放入到行列,并循环请求符合要求的房源音讯。请求响应html通过BeautifulSoup解析html,并透过find_all合作正则表达式提取到html有效数据并写入到文件待分析。

3、多线程

爬虫最后目的正是爬取到更加多符合用户必要的数目,要是单线程执行,抓取效用有限,因而爬虫必要添加多线程机制。四线程的兑现格局有种种,如thread,threading,multithreading,在这之中thread偏底层,threading对thread实行了肯定打包。Python完毕二十十二线程的章程有三种函数或类包装。

 #多线程方式
 for i in generate_allurl(user_in_nub, user_in_city): #获取某城市
 print(i) for url in get_allurl(i):
 my_thread = threading.Thread(target=main, args=(url, arrIPList))
 my_thread.start() print(url)
 my_thread.join() print("current has %d threads" % (threading.activeCount() - 1)) #当前存活线程
 #线程池方式
 pool.map(main, [url for url in get_allurl(i)])

4、Headers设置

为躲避反爬虫策略,后端请求要求效法用户经常用户从浏览器请求,因而供给添加请求头。设置方法如下:

header = {'Accept': '*/*', 'Accept-Language': 'en-US,en;q=0.8', 'Cache-Control': 'max-age=0', 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36', 'Connection': 'keep-alive', 'Referer': 'http://www.baidu.com/'}
res = requests.get(url, headers=header)

5、Session设置

6、IP代理池

爬虫出现就诞生了反爬虫,反爬虫的出现就催生了反反爬虫,教育家黑格尔说过存在便是在理。由此不少技艺正是在伯仲之间中国和东瀛益成长。链家网是有反爬虫IP封锁机制,为了制止反爬虫链接网限制爬取到更加多数据样本帮助与分析。由此选取IP代理池的点子,每一次请求都随意获得IP和端口访问外部网站。获取IP代理池的主意有付费的和免费的法门可自动网上抓取并分析。

proxies={"http":"http://10.14.36.109:8080"}res = requests.get(url, headers=header, proxies=proxies)

7、监控

爬虫抓取是叁个耗费时间较长的工程,因此供给加上监察和控制,定时报告抓取进度到业务方,确认整个爬虫程序是还是不是寻常履行。//TODO

离开B先生买房八个月后,有一天A先生突然跟笔者联络,问楼盘是或不是有房子了,带太太过来看,因为爱妻终于允许买房了。小编很可惜的告诉A先生前几日的首付款比例上调了一成而且那期的房价在上期的根底上上升了,要买真的要赶紧了。后来A太太就直接认为自个儿吃亏了,要多花钱买同二个小区的房子,遂作罢。

2.2数据解析 //TODO

大数据时代的网络爬虫爬取到有效消息,须求通过一再清洗、加工、总结、分析、建立模型等处理办法。数据解析是组成有效音讯并详细研讨和包罗形成定论的历程。在实用中,数据解析可协助人们作出判断,以便利用适度行动。

新生就间接据书上说A先生跟老伴随地去看房屋了,贵的买不起,便宜的看不上。就像是此一边沮丧着1只瞧着。

2.2.1 卡萨布兰卡购房词云分析

依照链家爬取样3199条待售房源,购买销售二手房产大家最关系的参数目的词云图。如图所示大家最关心的满五牛,户型方正等。在购房的的时候我们能够按此词云图详细询问各样须要我们关怀的参数目标,心有成竹。

图片 7

 

#词云图def drawWordCloud(fileName):

d = path.dirname(__file__) # Read the whole text.

text = open(path.join(d, fileName), encoding=’utf-8′).read() # Generate
a word cloud image 中文必须钦赐地点中文编码

wordcloud = WordCloud(font_path=”C:WindowsFontssimsun.ttc”, width=2400,
height=1800).generate(text) # Display the generated image:

plt.imshow(wordcloud)

plt.axis(“off”) # lower max_font_size

wordcloud = WordCloud(max_font_size=40).generate(text)

plt.figure()

plt.imshow(wordcloud)

plt.axis(“off”)

plt.show()

再有对客户有过之而无比不上,也是举人先来看的屋宇,觉得各方面都恰到好处就控制要买,第三带太太过来看,可这太太挑三拣四的正是不愿意买房,动不动还扯出从前生活中的争执来说,搞的五个人在售楼部就吵起来了,后边丢下一句不买了就赶回了。过了多个礼拜多少人又来了,说要买但是那时他们看的那套没有了,有别的楼层相同的户型的莫过于也同样,太太正是毫不还非说是一槌定音了跟她没缘,有钱还怕买不到房子就走了。后来据他们说依然回家里盖了栋房屋。

2.2.2 温哥华住房来源维度分析

费城房源按多维度剖析成交量/成交价趋势和Pearson周到分析;放盘量和反叛价分析;房源内部参数(如2.1.1)量化分析,房源外部参数量化分析等方法。末精晓释大家购房时相比关怀难题如怎么买的仰慕的好房,哪天是买房最棒的机遇等。

图片 8

 

成都百货上千时候买房是个空子,不管刚需照旧投资都以,蒙受合适的就要坚决的砍下才不至于懊悔。希望每个人都能正确过。

2.2.3 索菲亚房源数据模型

图片 9

 

2.2.4 深圳房源均价热力模型

如图彰显布拉迪斯拉发索菲亚住房来源均价热力模型。//TODO 待分析

图片 10

 

2.2.5 布Rees班房源均价涨速热力模型

//TODO
分明涨速最快,最具投资价值的区域,数据来源于官网索菲亚房土地资金财产信息体系:http://ris.szpl.gov.cn/default.aspx

2.2.6 蒙得维的亚房源成交量热力模型

//TODO

2.2.7 布Rees班房源成交量热力模型

2.2.8 尼科西亚房源成交量和成交价Pearson周详

//TODO
总计Pearson全面,鲜明量价比关系,确认卡塔尔多哈房源当前情景和展望接下去大概的情形(有价有市,有市无价,有价无市),判断当前是或不是改上车。

2.2.9 深圳房屋里面指数量化雷达图模型

费城房子雷达图分析,程序首先会爬取到海量贝鲁特待售的房产新闻,等级差=(最高值-最低值)/10的章程把均价,实际使用率,梯户比例,楼层,楼间距等目的划分10等分,然后用户输入自个儿心仪的房屋,程序将计算改房子的目的在海量房产中的雷达地方,帮助用户急迅明白心仪房产的参数配置。效果图如下:

图片 11

 

#雷达图显示房屋关注指标def drawRadarMap(chartName, arrLables, arrData, labelNum):
 #数据校验
 if labelNum < 0 or labelNum >10: return -1
 if len(arrLables) != labelNum or len(arrData) != labelNum: return -2
 #=======自己设置开始============
 #标签
 labels = np.array(arrLables) #数据
 data = np.array(arrData) #========自己设置结束============
 angles = np.linspace(0, 2*np.pi, labelNum, endpoint=False)
 data = np.concatenate((data, [data[0]])) # 闭合
 angles = np.concatenate((angles, [angles[0]])) # 闭合
 fig = plt.figure()
 ax = fig.add_subplot(111, polar=True) # polar参数!!
 ax.plot(angles, data, 'bo-', linewidth=2) # 画线
 ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充
 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
 ax.set_title(chartName, va='bottom', fontproperties="SimHei")
 ax.set_rlim(0,10)
 ax.grid(True)
 plt.show()

2.2.10 布里斯班房屋外部指数量化雷达图模型

//TODO 量化外部目的参数(学位,地铁距离,公共交通具体,公园分布,商圈等)

就此,还不会Python的,想买房的,火速来读书了!限时抢购哦!

留下评论

网站地图xml地图