9.2 爬取汽车之家 二手车产品库

项目地址:https://github.com/go-crawler/car-prices

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

image

分析目标源:

  • 一页共24条
  • 含分页,但这个老产品库,在100页后会存在问题,因此我们爬取99页
  • 可以获取全部城市
  • 共可爬取 19w+ 数据

开始

爬取步骤

  • 获取全部的城市
  • 拼装全部城市URL入队列
  • 解析二手车页面结构
  • 下一页URL入队列
  • 循环拉取所有分页的二手车数据
  • 循环拉取队列中城市的二手车数据
  • 等待,确定队列中无新的 URL
  • 爬取的二手车数据入库

获取城市

image

通过页面查看,可发现在城市筛选区可得到全部的二手车城市列表,但是你仔细查阅代码。会发现它是JS加载进来的,城市也统一放在了一个变量中

image

有两种提取方法

  • 分析JS变量,提取出来
  • 直接将 areaJson 复制出来作为变量解析

在这里我们直接将其复制粘贴出来即可,因为这是比较少变动的值

获取分页

image

通过分析页面可以得知分页链接是有一定规律的,例如:/2sc/hangzhou/a0_0msdgscncgpi1ltocsp2exb4/,可以发现 sp%dsp 后面为页码

按照常理,可以通过预测所有分页链接,推入队列后 go routine 一波 即可快速拉取

但是在这老产品库存在一个问题,在超过 100 页后,下一页永远是 101 页

image

因此我们采取比较传统的做法,通过拉取下一页的链接去访问,以便适应可能的分页链接改变; 100 页以后的分页展示也很奇怪,先忽视

获取二手车数据

页面结构较为固定,常规的清洗 HTML 即可

  1. func GetCars(doc *goquery.Document) (cars []QcCar) {
  2. cityName := GetCityName(doc)
  3. doc.Find(".piclist ul li:not(.line)").Each(func(i int, selection *goquery.Selection) {
  4. title := selection.Find(".title a").Text()
  5. price := selection.Find(".detail .detail-r").Find(".colf8").Text()
  6. kilometer := selection.Find(".detail .detail-l").Find("p").Eq(0).Text()
  7. year := selection.Find(".detail .detail-l").Find("p").Eq(1).Text()
  8. kilometer = strings.Join(compileNumber.FindAllString(kilometer, -1), "")
  9. year = strings.Join(compileNumber.FindAllString(strings.TrimSpace(year), -1), "")
  10. priceS, _ := strconv.ParseFloat(price, 64)
  11. kilometerS, _ := strconv.ParseFloat(kilometer, 64)
  12. yearS, _ := strconv.Atoi(year)
  13. cars = append(cars, QcCar{
  14. CityName: cityName,
  15. Title: title,
  16. Price: priceS,
  17. Kilometer: kilometerS,
  18. Year: yearS,
  19. })
  20. })
  21. return cars
  22. }

数据

image

image

在各城市的平均价格对比中,我们可以发现北上广深里的北京、上海、深圳都在榜单上,而近年势头较猛的杭州直接占领了榜首,且后几名都有一些距离

而其他城市大致都是梯级下降的趋势,看来一线城市的二手车也是不便宜了,当然这只是均价

image

我们可以看到价格和公里数的对比,上海、成都、郑州的等比差异是有点大,感觉有需求的话可以在价格和公里数上做一个衡量

image

这图有点儿有趣,粗略的统计了一下总公里数。在前几张图里,平均价格排名较高的统统没有出现在这里,反倒是呼和浩特、大庆、中山等出现在了榜首

是否侧面反应了一线城市的车辆更新换代较快,而较后的城市的车辆倒是换代较慢,公里数基本都杠杠的

image

通过对标题的分析,可以得知车辆产品库的命名基本都是品牌名称+自动/手动+XXXX款+属性,看标题就能知道个概况了

参考

爬虫项目地址