【版权声明】版权所有，严禁转载，严禁用于商业用途，侵权必究。
作者：厦门大学计算机系2016级研究生 魏亮
指导老师：厦门大学计算机科学系数据库实验室 林子雨 博士/副教授
相关教材：林子雨、郑海山、赖永炫编著《Spark编程基础（Python版）》（访问教材官网）
相关案例：基于Python语言的Spark数据处理分析案例集锦（PySpark）
本篇博客将实现一个系列程序，从厦门小鱼网爬取租房租金信息，然后利用spark的python版本进行简单分析，并利用echarts的python版本展示分析结果，此外还会简单介绍pycharm的工程建立，所以本篇将分为四个部分。
第一部分 建立工程文件fishRent
首先，关于pycharm的安装使用，以及python文件的import部分，可以参考作者的另一篇博客 。
创建工程文件
这里大家操作的时候只要注意这两点。第一：工程取名fishRent，第二：python版本选择3.6。请参考图片。
第二部分 python的爬虫（需要一点前端基础）
爬虫程序我们利用了BeautifulSoup这个库文件。首先在工程文件夹下创建名叫rentspider的Python文件。然后黏贴以下代码：
- # -*- coding: utf-8 -*-
- import requests
- from bs4 import BeautifulSoup
- import csv
- # num表示记录序号
- Url_head = "http://fangzi.xmfish.com/web/search_hire.html?h=&hf=&ca=5920"
- Url_tail = "&r=&s=&a=&rm=&f=&d=&tp=&l=0&tg=&hw=&o=&ot=0&tst=0&page="
- Num = 0
- Filename = "rent.csv"
- # 把每一页的记录写入文件中
- def write_csv(msg_list):
- out = open(Filename, 'a', newline='')
- csv_write = csv.writer(out,dialect='excel')
- for msg in msg_list:
- csv_write.writerow(msg)
- out.close()
- # 访问每一页
- def acc_page_msg(page_url):
- web_data = requests.get(page_url).content.decode('utf8')
- soup = BeautifulSoup(web_data, 'html.parser')
- address_list = []
- area_list = []
- num_address = 0
- num_area = 0
- msg_list = []
- # 得到了地址列表，以及区域列表
- for tag in soup.find_all(attrs="list-addr"):
- for em in tag:
- count = 0
- for a in em:
- count += 1
- if count == 1 and a.string != "[":
- address_list.append(a.string)
- elif count == 2:
- area_list.append(a.string)
- num_area += 1
- elif count == 4:
- if a.string is not None:
- address_list[num_address] = address_list[num_address] + "-" + a.string
- else:
- address_list[num_address] = address_list[num_address] + "-Null"
- num_address += 1
- # 得到了价格列表
- price_list = []
- for tag in soup.find_all(attrs="list-price"):
- price_list.append(tag.b.string)
- # 组合成为一个新的tuple——list并加上序号
- for i in range(len(price_list)):
- txt = (address_list[i], area_list[i], price_list[i])
- msg_list.append(txt)
- # 写入csv
- write_csv(msg_list)
- # 爬所有的页面
- def get_pages_urls():
- urls = []
- # 思明可访问页数134
- for i in range(134):
- urls.append(Url_head + "1" + Url_tail + str(i+1))
- # 湖里可访问页数134
- for i in range(134):
- urls.append(Url_head + "2" + Url_tail + str(i+1))
- # 集美可访问页数27
- for i in range(27):
- urls.append(Url_head + "3" + Url_tail + str(i+1))
- # 同安可访问页数41
- for i in range(41):
- urls.append(Url_head + "4" + Url_tail + str(i+1))
- # 翔安可访问页数76
- for i in range(76):
- urls.append(Url_head + "5" + Url_tail + str(i+1))
- # 海沧可访问页数6
- for i in range(6):
- urls.append(Url_head + "6" + Url_tail + str(i+1))
- return urls
- def run():
- print("开始爬虫")
- out = open(Filename, 'a', newline='')
- csv_write = csv.writer(out, dialect='excel')
- title = ("address", "area", "price")
- csv_write.writerow(title)
- out.close()
- url_list = get_pages_urls()
- for url in url_list:
- try:
- acc_page_msg(url)
- except:
- print("格式出错", url)
- print("结束爬虫")
关于这个爬虫部分，我将做一点简单的介绍。下面这一段的代码是使用soup的方法，decode部分的编码我们可以在浏览器中使用检查的方法看html文件的header部分。举个简单的例子。在chrome浏览器中打开目标网页，然后右键选择“检查”，就可以看到以下结果。
- web_data = requests.get(page_url).content.decode('utf8')
- soup = BeautifulSoup(web_data, 'html.parser')
同样的，我们可以利用这个方法来查看网页的元素，比如某一个具体的标签，如我们想爬取的list-word的标签。soup的方法，把html文件转化为一个dom的树型结构，所以在访问标签的时候可以使用find方法，也可以使用树型的方法，比如tag.em.a像这样。 然后小鱼网的访问有一个地方需要注意，你最多只能找到134页的搜索结果。也就是即使你信息量大于134页，也只能常规地看到134页，所以为了获取更多的数据量。我在实现中针对每一个区的租房信息进行爬取。经过人工测试，每个区的对应数量如下：思明（134），湖里（134），集美（27），同安（41），翔安（76），海沧（6）。爬完总计6000+条数据。
这里先不运行，因为我们这个工程最后会设计一个总的启动入口。
第三部分 pyspark的简单分析
pyspark是spark的python版本，就我个人看来，使用起来真的挺方便的，做个简单的分析程序的时候，我更偏爱这个版本。我们对于之前爬虫获取的数据会被存为“rent.csv”文件，我们这里要做的就是获取这些数据里，每个区的价格最大值，最小值，均值，中值。老样子，建立一个名为rent_analyse的Python文件。然后复制以下代码。
- # -*- coding: utf-8 -*-
- from pyspark.sql import SparkSession
- from pyspark.sql.types import IntegerType
- def spark_analyse(filename):
- print("开始spark分析")
- # 程序主入口
- spark = SparkSession.builder.master("local").appName("rent_analyse").getOrCreate()
- df = spark.read.csv(filename, header=True)
- # max_list存储各个区的最大值，0海沧，1为湖里，2为集美，3为思明，4为翔安，5为同安;同理的mean_list, 以及min_list,approxQuantile中位数
- max_list = [0 for i in range(6)]
- mean_list = [1.2 for i in range(6)]
- min_list = [0 for i in range(6)]
- mid_list = [0 for i in range(6)]
- # 类型转换，十分重要，保证了price列作为int用来比较，否则会用str比较, 同时排除掉一些奇怪的价格，比如写字楼的出租超级贵
- # 或者有人故意标签1元，其实要面议, 还有排除价格标记为面议的
- df = df.filter(df.price != '面议').withColumn("price", df.price.cast(IntegerType()))
- df = df.filter(df.price >= 50).filter(df.price <= 40000)
- mean_list[0] = df.filter(df.area == "海沧").agg({"price": "mean"}).first()['avg(price)']
- mean_list[1] = df.filter(df.area == "湖里").agg({"price": "mean"}).first()['avg(price)']
- mean_list[2] = df.filter(df.area == "集美").agg({"price": "mean"}).first()['avg(price)']
- mean_list[3] = df.filter(df.area == "思明").agg({"price": "mean"}).first()['avg(price)']
- mean_list[4] = df.filter(df.area == "翔安").agg({"price": "mean"}).first()['avg(price)']
- mean_list[5] = df.filter(df.area == "同安").agg({"price": "mean"}).first()['avg(price)']
- min_list[0] = df.filter(df.area == "海沧").agg({"price": "min"}).first()['min(price)']
- min_list[1] = df.filter(df.area == "湖里").agg({"price": "min"}).first()['min(price)']
- min_list[2] = df.filter(df.area == "集美").agg({"price": "min"}).first()['min(price)']
- min_list[3] = df.filter(df.area == "思明").agg({"price": "min"}).first()['min(price)']
- min_list[4] = df.filter(df.area == "翔安").agg({"price": "min"}).first()['min(price)']
- min_list[5] = df.filter(df.area == "同安").agg({"price": "min"}).first()['min(price)']
- max_list[0] = df.filter(df.area == "海沧").agg({"price": "max"}).first()['max(price)']
- max_list[1] = df.filter(df.area == "湖里").agg({"price": "max"}).first()['max(price)']
- max_list[2] = df.filter(df.area == "集美").agg({"price": "max"}).first()['max(price)']
- max_list[3] = df.filter(df.area == "思明").agg({"price": "max"}).first()['max(price)']
- max_list[4] = df.filter(df.area == "翔安").agg({"price": "max"}).first()['max(price)']
- max_list[5] = df.filter(df.area == "同安").agg({"price": "max"}).first()['max(price)']
- # 返回值是一个list，所以在最后加一个[0]
- mid_list[0] = df.filter(df.area == "海沧").approxQuantile("price", [0.5], 0.01)[0]
- mid_list[1] = df.filter(df.area == "湖里").approxQuantile("price", [0.5], 0.01)[0]
- mid_list[2] = df.filter(df.area == "集美").approxQuantile("price", [0.5], 0.01)[0]
- mid_list[3] = df.filter(df.area == "思明").approxQuantile("price", [0.5], 0.01)[0]
- mid_list[4] = df.filter(df.area == "翔安").approxQuantile("price", [0.5], 0.01)[0]
- mid_list[5] = df.filter(df.area == "同安").approxQuantile("price", [0.5], 0.01)[0]
- all_list = []
- all_list.append(min_list)
- all_list.append(max_list)
- all_list.append(mean_list)
- all_list.append(mid_list)
- print("结束spark分析")
- return all_list
代码里有较为详细的注释，建议可以多看注释。这里也不能直接启动，我把它写成一个被调用的方式，返回值是一个list。
第四部 pyecharts画图
现在很多软件都会做python的版本，很恰好，echarts也有python版本，这里只是做个柱状图展示，大家有兴趣可以上网搜索一下更多的pyecharts的使用方法。建立一个名为 draw的python文件，复制以下代码。
- # -*- coding: utf-8 -*-
- from pyecharts import Bar
- def draw_bar(all_list):
- print("开始绘图")
- attr = ["海沧", "湖里", "集美", "思明", "翔安", "同安"]
- v0 = all_list[0]
- v1 = all_list[1]
- v2 = all_list[2]
- v3 = all_list[3]
- bar = Bar("厦门市租房租金概况")
- bar.add("最小值", attr, v0, is_stack=True)
- bar.add("最大值", attr, v1, is_stack=True)
- bar.add("平均值", attr, v2, is_stack=True)
- bar.add("中位数", attr, v3, is_stack=True)
- bar.render()
- print("结束绘图")
这个通过传入的list读取信息，并画出柱状图。最后启动的时候可能会报错，缺少pyecharts-snapshot插件。所以我们安装一下。点击File->Settings...，如下图：
点击红圈中的"+"，搜索pyecharts-snapshot，选择安装，如下图。
最后 启动程序
建立一个名为run的python文件。复制以下代码。
- # -*- coding: utf-8 -*-
- import draw
- import rent_analyse
- import rentspider
- if __name__ == '__main__':
- print("开始总程序")
- Filename = "rent.csv"
- rentspider.run()
- all_list = rent_analyse.spark_analyse(Filename)
- draw.draw_bar(all_list)
- print("结束总程序")
然后右键点击运行run程序。最后会在工程目录下得到两个文件，“rent.csv”以及“render.html”。在浏览器中打开render文件就可以看到以下的结果。
至此，本文结束。
文末附上代码文件，以及最后的输出结果文件压缩包fishRent。
也可以点击链接查看echarts绘图结果render。