1. 问题
我需要一套二室一厅，价格在40万左右的，位于上海某几个区（例如徐汇，闵行区）的二手房。我理想中的房子当然需要满足很多条件，例如它必须是两室都朝南的房子，它的均价必须低于7000元每平方米，等等。
通常我使用上海热线的二手房网（http://secondhand.online.sh.cn/）来查找最新的二手房信息。
但是每天跟踪网站的最新二手房信息太累人了。二手房网每天都要添加很多最新信息，为了识别出符合我的条件的房子，我必须把所有这些信息都看一遍。整个过程非常浪费时间。
原因在于：
1. 网站只会在首页显示最新加入的一些二手房的*概要*信息。而我为了作出自己的判断，光是看概要信息是不够的，我必须看详细信息。而这就意味着我必须点击概要信息中的名为“详细”的超链接来下载详细信息的页面。
2. 并不是所有信息都是放在一个页面上的。事实上，上海热线的二手房网的信息是分页显示的，每个页面大概只显示10条信息。如果我需要看所有的信息的话，我需要看大概500－3000条信息左右（信息的多少和搜索条件是否严格，搜索的区域的大小有关系）。
上述1，2点的意思就是，即使我只需要看500条信息，我也需要看550个页面：
500/10（概要信息页面）+500*1（每条信息的详细页面）=550
每个页面载入的时间是10秒（实际取样的结果），我阅读每个页面的时间是25秒（我的阅读速度是非常快的了）。
550*(10+25)=19250秒＝320分钟=5小时。
也就是说，光是阅读信息我就需要花5小时的时间。事实上，我还没有考虑对信息进行分析（例如列出均价最低的10处房产）的时间呢，这远比阅读更花时间。
2. 问题的本质
由于现在很多信息都放在网上了，类似的问题很常见。例如招聘，证券等等，都有同样的问题。这个问题就是，如何高效率地从internet上获得数据并进行分析。
3.一个方案
我看了一些国内的相关文章，这些文章的方案都是基于IE的自动化的。通常使用VB语言加上WebBrowser控件。
这种方案最主要的缺点是由于WebBrowser对很多数据操作进行了封装，使得本来很简单的操作变得麻烦无比（我猜原因是因为微软设计WebBrowser的目的是自动化IE的操作）。例如取得当前页面这样一个操作，如果使用WebBrowser开发的话竟然需要分取得当前页面，在某个事件中获得取得页面成功两个进程。为了使这两个进程通信又需要很多额外的工作。
我的方案是使用python开发一个脚本，因为python的库支持比较完备，这样还可以获得跨平台的额外好处。我使用结构化的设计，因为使用web机器人取得数据这样的事情本身就是结构化的。我将和具体网站相关的操作都封装在某几个函数内，这意味着该脚本如果经过适当的改写，还能有其他应用。也就是，这个脚本不仅仅是用于上海热线二手房网的，也不仅仅是先于搜索二手房的。
在写这个脚本之前，我已经有一些边写web机器人的经验，使用的语言包括VB，Java，Python等等。我认为目前我写的这个web机器人是比较成熟的。
这个方案的要点是这样的，首先向二手房网提交条件，然后获得分页搜索结果，从第一页中读取各信息条款()，读取共有多少页面等等必要的信息（这些信息的读取同样需要硬编码起始标志和结束标志）等等。然后根据这些信息模拟翻页，点击“详细”链接等动作。这些动作无非就是http标准中的get，post动作而已。
上述方案中的某些地方需要硬编码，必要的话需要分析浏览器客户端脚本（例如JavaScript）：
*各信息条款的起始标志和结束标志
*当前页面计数的起始标志和结束标志
*页面总数的起始标志和结束标志
*翻页动作中的超链接地址
*点击“详细”超链接中的超链接地址
获得的数据我都打印在屏幕上，这些数据使用逗号分割，如果希望把数据导入到文件中，可以使用管道机制。
例如，假设我写的脚本是house.py，你希望把house.py的数据导入到文件house.csv中去，你可以输入这样的命令：
python house.py > house.csv
接下来你可以就可以分析house.csv了。我通常用支持正则表达式的编辑器去掉house.csv中的一些格式化字符，再用excel进行数据分析。
4. 具体实现以及代码
具体实现中还碰到一些小问题。例如为了支持中文，我必须再脚本的开头加上“# -*- coding: mbcs -*-”这一行。我上网需要使用指定的代理服务器，所以我使用urllib2库而不是urllib库。这些问题都已经在源代码中说明了。
下面就是源代码：
# -*- coding: mbcs -*-
#------------------user configuration------------begin
#ÊÇ·ñʹÓÃÐèÒªÑéÖ¤µÄhttp´úÀí£¿£¨½öÏÞÓÚ¼«ÉÙÊý¹«Ë¾,´ó¶àÊýÇé¿öÏÂÖÃΪ0)
config_using_proxy=0
#´úÀíµØÖ·ºÍ¶Ë¿ÚºÅ£¬½öµ±config_using_proxyµÈÓÚ1ʱÓÐЧ
config_httpproxy=
#µÇ½´úÀí·þÎñÆ÷µÄÓû§Ãû£¬½öµ±config_using_proxyµÈÓÚ1ʱÓÐЧ£¬·ñÔò¿ÉÒÔºöÂÔ
config_username=
#µÇ½´úÀí·þÎñÆ÷µÄÃÜÂ룬½öµ±config_using_proxyµÈÓÚ1ʱÓÐЧ£¬·ñÔò¿ÉÒÔºöÂÔ
config_password=
#Ñ¡ÔñËùÔÚÇøÏØ£¨"","ãÉÐÐ","Ðì»ã","ÑîÆÖ","ºç¿Ú","³¤Äþ","¾²°²","¬Íå","»ÆÆÖ","Õ¢±±","ÆÕÍÓ","ÆÖ¶«","±¦É½","¼Î¶¨","ÇàÆÖ","·îÏÍ","ÄÏ»ã","½ðɽ","Ëɽ","³çÃ÷"),""±íʾËùÓÐ
config_szqx="ºç¿Ú"
#Ñ¡Ôñ¼¸ÊÒ£¿ £¨"", "1","2","3","4","5")
config_fx_room="2"
#Ñ¡Ôñ¼¸Ìü£¿ £¨"","0","1","2","3","4")
config_fx_hall="1"
#Ñ¡Ôñ×ܼÛÏÂÏÞ£¨µ¥Î»£ºÍò),£¨"0","10","15","20","25","30","35","40","50","60","70","80","90","100"),"0"±íʾ²»ÏÞ
config_jg_min="20"
#Ñ¡Ôñ×ܼÛÉÏÏÞ£¨µ¥Î»£ºÍò),£¨"10000000","10","15","20","25","30","35","40","50","60","70","80","90","100"),"10000000"±íʾ²»ÏÞ
config_jg_max="60"
#Ñ¡Ôñ½»Ò×·½Ê½, ("0","1"), 0±íʾ³öÊÛ,1±íʾÖû»
config_type="0"
#µÇ¼ÇÈÕÆÚ(µ¥Î»,Ìì),("15","30","180",""),""±íʾ²»ÏÞ
config_djrq="15"
#ËÑË÷±í¸ñµÚÒ»ÐпªÊ¼µÄ±êÖ¾×Ö·û´®£¨µÚÒ»ÐдӸÃ×Ö·û´®Ö®ºó¿ªÊ¼ËÑË÷ÐпªÊ¼±êÖ¾)
config_tbl_begin_str=">ÇøÏØ<"
#ËÑË÷±í¸ñ×îºóÒ»ÐÐĩβµÄ±êÖ¾×Ö·û´®£¨×îºóÒ»ÐдӸÃ×Ö·û´®Ö®Ç°¿ªÊ¼·´ÏòËÑË÷ÐнáÊø±êÖ¾)
config_tbl_end_str="¹²ÕÒµ½·ûºÏÌõ¼þµÄ³öÊÛ·¿Ô´ÐÅÏ¢"
#------------------------user configuration---------------end
#------------------------administrator configuration------begin
config_post_data={"szqx":config_szqx,"fx_room":config_fx_room,"fx_hall":config_fx_hall,"jg_min":config_jg_min,"jg_max":config_jg_max,"type":config_type,"djrq":config_djrq,"sortfield":"djrq","sorttype":"desc","whichpage":"1"}
#------------------------administrator configuration------end
from string import *
import sys
#-----------------print routines-------------begin
def dump_row_end():
sys.stdout.write('\n')
def dump_table_begin():
sys.stdout.write("ÇøÏØ"+",")
sys.stdout.write("ÎïÒµµØÖ·"+",")
sys.stdout.write("·¿ÐÍ"+",")
sys.stdout.write("ÎïÒµÀàÐÍ"+",")
sys.stdout.write("½¨ÖþÃæ»ý"+",")
sys.stdout.write("×ܼÛ"+",")
sys.stdout.write("µÇ¼Çʱ¼ä"+",")
sys.stdout.write("·¿Ô´±àºÅ"+",")
sys.stdout.write("ÎïÒµÃû³Æ"+",")
sys.stdout.write("·¿¡¡¡¡Áä"+",")
sys.stdout.write("²úȨ˵Ã÷"+",")
sys.stdout.write("Öн鱨¼Û"+",")
sys.stdout.write("ÎïÒµÏêϸµØÖ·"+",")
sys.stdout.write("·¿Îݳ¯Ïò"+",")
sys.stdout.write("ËùÔÚÂ¥²ã"+",")
sys.stdout.write("×°Ð޳̶È"+",")
sys.stdout.write("ÊÒÄÚÌõ¼þ"+",")
sys.stdout.write("ÓÐЧÆÚÏÞ"+",")
sys.stdout.write("±¸¡¡¡¡×¢"+",")
sys.stdout.write("Áª ϵ ÈË"+",")
sys.stdout.write("ÁªÏµµç»°"+",")
sys.stdout.write("\n")
def dump_one_field(str):
sys.stdout.write(str+",")
#-----------------print routines-------------end
#-----------------house parser-------------begin
def get_last_page_number(s):
no_begin=find(s,"βҳ")
if no_begin==-1:
return 0
no_begin=rfind(s,"javascript:form_submit(\'",0,no_begin)
no_begin+=len("javascript:form_submit(\'")
no_end=find(s,"\'",no_begin)
if no_end==-1:
return 0
if no_begin>no_end:
return 0
return atoi(s[no_begin:no_end])
def get_data_in_one_tag(instr4,tag):
tag_begin=find(instr4,"<"+tag)
if tag_begin==-1:
return instr4
tag_begin=find(instr4,">")
if tag_begin==-1:
return instr4
tag_begin+=1
tag_end=find(instr4,"</"+tag+">",tag_begin)
if tag_end==-1:
return instr4
return instr4[tag_begin:tag_end]
def filter_rubbish_data(str):
return strip(replace(replace(replace(replace(str,","," "),'\n',''),'\t',''),'\r','')) #maybe we will output data in csv format
def get_one_detailed_data(instr3,keyword):
#print instr3 #debug
#print keyword #debug
data_begin=find(instr3,keyword)
if data_begin==-1:
return ""
# handle data
data_begin=find(instr3,"<td",data_begin)
if data_begin==-1:
return ""
data_begin=find(instr3,">",data_begin)
if data_begin==-1:
return ""
data_begin=data_begin+1
data_end=find(instr3,"</td>",data_begin)
if data_end==-1:
return ""
if data_begin>data_end:
return ""
# delete space , comma ,tab and linefeed
#return replace(instr3[data_begin:data_end],","," ")
return filter_rubbish_data(instr3[data_begin:data_end])
def get_detailed_data(instr2):
dump_one_field(get_one_detailed_data(instr2,"·¿Ô´±àºÅ"))
dump_one_field(get_one_detailed_data(instr2,"ÎïÒµÃû³Æ"))
dump_one_field(get_one_detailed_data(instr2,"·¿¡¡¡¡Áä"))
dump_one_field(get_one_detailed_data(instr2,"²úȨ˵Ã÷"))
dump_one_field(get_one_detailed_data(instr2,"Öн鱨¼Û"))
#delete the href
tmpstr=get_one_detailed_data(instr2,"ÎïÒµµØÖ·")
tmppos=find(tmpstr,"<a")
if tmpstr<>-1:
tmpstr=strip(tmpstr[:tmppos])
dump_one_field(tmpstr)
dump_one_field(get_one_detailed_data(instr2,"·¿Îݳ¯Ïò"))
dump_one_field(get_one_detailed_data(instr2,"ËùÔÚÂ¥²ã"))
dump_one_field(get_one_detailed_data(instr2,"×°Ð޳̶È"))
dump_one_field(get_one_detailed_data(instr2,"ÊÒÄÚÌõ¼þ"))
dump_one_field(get_one_detailed_data(instr2,"ÓÐЧÆÚÏÞ"))
dump_one_field(get_one_detailed_data(instr2,"±¸¡¡¡¡×¢"))
dump_one_field(get_data_in_one_tag(get_one_detailed_data(instr2,"Áª ϵ ÈË"),"div"))
dump_one_field(get_data_in_one_tag(get_one_detailed_data(instr2,"ÁªÏµµç»°"),"div"))
def get_data(instr,tbl_begin_str,tbl_end_str):
#table begin
idx=find(instr,tbl_begin_str)
if idx==-1:
return
idx=find(instr,"<tr",idx)
if idx==-1:
return
table_begin=idx
#print instr[table_begin:table_begin+100] #debug
#table end
idx=find(instr,tbl_end_str,table_begin)
#print instr[table_begin:idx]
if idx==-1:
return
idx=rfind(instr,"</tr>",table_begin,idx)
if idx==-1:
return
table_end=idx+len("</tr>")
#print instr[table_begin:table_end] #debug
#search rows
tr_idx=table_begin
while tr_idx<table_end:
#tr begin
tr_idx=find(instr,"<tr",tr_idx)
if tr_idx==-1:
return
tr_idx=find(instr,">",tr_idx)
if tr_idx==-1:
return
tr_begin=tr_idx+1
#tr end
tr_idx=find(instr,"</tr>",tr_begin)
if tr_idx==-1:
return
tr_end=tr_idx
#print instr[tr_begin:tr_end] #debug
#search cells in one row
td_idx=tr_begin
is_really_a_row_dumped=0
while td_idx<tr_end:
# td data begin
td_idx=find(instr,"<td",td_idx)
#print td_idx #debug
if td_idx==-1:
return
td_idx=find(instr,">",td_idx)
#print td_idx #debug
if td_idx==-1:
return
tddata_begin=td_idx+1
# td data end
td_idx=find(instr,"</td>",td_idx)
#print td_idx #debug
if td_idx==-1:
return
tddata_end=td_idx
if tddata_begin>tddata_end:
continue
if tddata_end>tr_end:
continue
if tddata_end>table_end:
continue
tddata=filter_rubbish_data(instr[tddata_begin:tddata_end])
#if the tddata is a href, let's get more data from the href
href_begin=find(tddata,"href=\"javascript:urll(\'")
if href_begin==-1:
dump_one_field(tddata)
continue
href_begin=href_begin+len("href=\"javascript:urll(\'")
href_end=find(tddata,"\'",href_begin)
if href_end==-1:
return
view_url="http://secondhand.online.sh.cn/"+tddata[href_begin:href_end]
#print view_url #debug
#dump_one_field(view_url)
view_result=urllib2.urlopen(view_url)
view_data=view_result.read()
#print "view_data="+view_data #debug
get_detailed_data(view_data)
is_really_a_row_dumped=1
if is_really_a_row_dumped: #sometimes, no td output
dump_row_end()
#-----------------house parser-------------end
def install_proxy():
httpproxy=config_httpproxy
username=config_username
password=config_password
httpproxystring='http://' + username + ':' + password + '@' + httpproxy
# build a new opener that uses a proxy requiring authorization
proxy_support=urllib2.ProxyHandler({"http":httpproxystring})
authinfo=urllib2.HTTPBasicAuthHandler()
opener = urllib2.build_opener(proxy_support, authinfo,urllib2.HTTPHandler)
# install it
urllib2.install_opener(opener)
#----------------main---------------------begin
if __name__=="__main__":
#get the page
import urllib2
import urllib
#using proxy
if config_using_proxy:
install_proxy()
f = urllib2.urlopen("http://secondhand.online.sh.cn/selllist.php",urllib.urlencode(config_post_data))
#print f.headers #debug
s=f.read()
#print s #debug
#parse the html page
#s="<table><tr><td>data11</td><td>data12</td></tr><tr><td>data21</td><td>data22</td></tr></table>" #debug
#config_tbl_begin_str="<table>" #debug
#config_tbl_end_str="</table>" #debug
# print out the table header
dump_table_begin()
# print out the first page
get_data(s,config_tbl_begin_str,config_tbl_end_str)
# get the page size from the first page data
last_page=get_last_page_number(s)
# print out other pages (if exist)
for i in range(2,last_page):
config_post_data['whichpage']=str(i)
f = urllib2.urlopen("http://secondhand.online.sh.cn/selllist.php",urllib.urlencode(config_post_data))
s=f.read()
get_data(s,config_tbl_begin_str,config_tbl_end_str)
#s="<td height=26>header1</td><td height=26>data1</td>" #debug
#print get_one_detailed_data(s,"header1") #debug
#print get_last_page_number("<a href=\"javascript:form_submit(\'51\',\'djrq\',\'desc\')\">βҳ</a>") #debug
#----------------main---------------------end
本文地址：http://com.8s8s.com/it/it31768.htm