从 Zillow 抓取数据的最佳方法是什么？

Question

我试图从 Zillow 收集数据没有成功。

例子：

url = https://www.zillow.com/homes/for_sale/Los-Angeles-CA_rb/?fromHomePage=true&shouldFireSellPageImplicitClaimGA=false&fromHomePageTab=buy

我想从洛杉矶的所有家庭中提取地址、价格、估价、位置等信息。

我尝试过使用 BeautifulSoup 之类的包进行 HTML 抓取。 我也尝试过使用json。 我几乎可以肯定 Zillow 的 API 不会有帮助。 据我了解，API 最适合收集特定属性的信息。

我已经能够从其他网站上抓取信息，但似乎 Zillow 使用动态 ID（每次刷新都会更改）使得访问该信息变得更加困难。

更新：尝试使用下面的代码，但仍然没有产生任何结果

import requests
from bs4 import BeautifulSoup

url = 'https://www.zillow.com/homes/for_sale/Los-Angeles-CA_rb/?fromHomePage=true&shouldFireSellPageImplicitClaimGA=false&fromHomePageTab=buy'

page = requests.get(url)
data = page.content

soup = BeautifulSoup(data, 'html.parser')

for li in soup.find_all('div', {'class': 'zsg-photo-card-caption'}):
    try:
        #There is sponsored links in the list. You might need to take care 
        #of that
        #Better check for null values which we are not doing in here
        print(li.find('span', {'class': 'zsg-photo-card-price'}).text)
        print(li.find('span', {'class': 'zsg-photo-card-info'}).text)
        print(li.find('span', {'class': 'zsg-photo-card-address'}).text)
        print(li.find('span', {'class': 'zsg-photo-card-broker-name'}).text)
    except :
        print('An error occured')

Answer 1

这可能是因为您没有传递标题。

如果您在开发者工具中查看 Chrome 的网络选项卡，这些是浏览器传递的标头：

:authority:www.zillow.com
:method:GET
:path:/homes/for_sale/Los-Angeles-CA_rb/?fromHomePage=true&shouldFireSellPageImplicitClaimGA=false&fromHomePageTab=buy
:scheme:https
accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
accept-encoding:gzip, deflate, br
accept-language:en-US,en;q=0.8
upgrade-insecure-requests:1
user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36

但是，如果您尝试发送所有这些，它将失败，因为requests不允许您发送以冒号“：”开头的标头。

我尝试单独跳过这四个，并在此脚本中使用其他五个。 有效。 所以试试这个：

from bs4 import BeautifulSoup
import requests

req_headers = {
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'accept-encoding': 'gzip, deflate, br',
    'accept-language': 'en-US,en;q=0.8',
    'upgrade-insecure-requests': '1',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'
}

with requests.Session() as s:
    url = 'https://www.zillow.com/homes/for_sale/Los-Angeles-CA_rb/?fromHomePage=true&shouldFireSellPageImplicitClaimGA=false&fromHomePageTab=buy'
    r = s.get(url, headers=req_headers)

之后，您可以使用BeautifulSoup提取您需要的信息：

soup = BeautifulSoup(r.content, 'lxml')
price = soup.find('span', {'class': 'zsg-photo-card-price'}).text
info = soup.find('span', {'class': 'zsg-photo-card-info'}).text
address = soup.find('span', {'itemprop': 'address'}).text

以下是从该页面提取的数据示例：

+--------------+-----------------------------------------------------------+
| $615,000     |  121 S Hope St APT 435 Los Angeles CA 90012               |
| $330,000     |  4859 Coldwater Canyon Ave APT 14A Sherman Oaks CA 91423  |
| $3,495,000   |  13446 Valley Vista Blvd Sherman Oaks CA 91423            |
| $1,199,000   |  6241 Crescent Park W UNIT 410 Los Angeles CA 90094       |
| $771,472+    |  Chase St. And Woodley Ave # HGS0YX North Hills CA 91343  |
| $369,000     |  8650 Gulana Ave UNIT L2179 Playa Del Rey CA 90293        |
| $595,000     |  6427 Klump Ave North Hollywood CA 91606                  |
+--------------+-----------------------------------------------------------+

Answer 2

刮 Zillow 其实并不太难。 首先要注意的是它是一个 Next.js 网站，这意味着我们可以解析 javascript 对象而不是 HTML 来抓取结构化数据。

我在我的博客How to Scrape Zillow.com中详细地写了所有这些内容，但让我们总结一下最重要的部分：

刮擦属性

首先，让我们看一下属性页本身以及如何抓取它的数据。 如果我们查看属性页的源代码，我们可以看到存在__NEXT_DATA__变量：

所以我们可以用一个简单的css选择器提取这些数据： script#__NEXT_DATA__

抓取搜索

现在要查找属性本身，我们可以使用非常相似的技术：

首先，我们需要构建我们的搜索 url，它看起来像https://www.zillow.com/homes/<QUERY>_rb/其中<QUERY>是某个位置，例如邮政编码或城市名称。 例如https://www.zillow.com/homes/New-Haven,-CT_rb/然后，如果我们抓取页面，我们可以在页面正文中找到后端 API 参数，就像我们之前找到__NEXT_DATA__一样。 这次使用正则表达式：

re.findall(r'"queryState":(\{.+}),\s*"filter', html_response.text

---

完整的爬虫代码有点超出 Stackoverlfow 问题的范围，但是通过结合这两种技术，我们可以用很少的实际代码来爬取 zillow！

Answer 3

您可以尝试一些付费工具，例如https://www.scraping-bot.io/how-to-scrape-real-estate-listings-on-zillow/

1. 通过站点地图找到您需要的东西https://www.zillow.com/sitemap/catalog/sitemap.xml

2. 从站点地图中的 url 抓取数据