豆瓣租房信息爬取过滤

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1957 天前的主题，其中的信息可能已经有所发展或是发生改变。

#####最近要找房搬家所以启用了去年的爬虫并做了一些修改，现在基本逻辑是：

标题中带数字的

1.1 四位数整除 50 除不开的 pass

1.2 11 位数电话号码 pass

一级排除关键字，如果含有直接 pass，比如远点的地点、公寓等
指定范围关键字，如果含有置为符合数据保存
二级排除关键字，不包含(2,3)但包含二级 pass 掉，不包含二级置为备用数据保存

一个小组爬 15 页，每页 25 条，每小时爬取一次。

之前也就爬取 5 个小组的，感觉数据还行，昨天增加到 16 个小组，符合的数据增加了很多,但是很多都是各类大中小型的公寓，整的我以为把个人发布的过滤掉了专门筛选了公寓的数据呢。

目前思路只能通过排除关键字增加过滤程度，看多了就会发现有些关键字排除型就大点，比如"南北通透|拎包入住"大概率是公寓或者中介，".*大单间"很多也都是公寓,但是同时也会过滤掉个人发布的

所以大家有没有什么其他思路

第 1 条附言 · 2019-07-25 12:30:10 +08:00

加了几个功能:

黑名单维护 - 过滤黑名单发的帖子
手动标记中介公寓 - 帖子标为删除状态，同时置为中介帖子状态留以后分析用，发帖人加入到黑名单
黑名单关键词 - 包含则加入到黑名单中
推送关键词 - 包含则推送到微信或tg
利用余弦相似度过滤一个账号发的好几条同样的帖子

过滤效果还是挺明显的，不过就是帖子也少了很多，这说明中介太多还是过滤强度太大了呢

pass

公寓

过滤

排除

26 条回复 • 2019-08-12 21:21:52 +08:00

Rorysky

2019-07-17 13:00:45 +08:00 via iPhone

豆瓣没有反爬措施？

guansixu

2019-07-17 13:35:01 +08:00

豆瓣小组找房体验太差了，一个个点进去，还得一个个问问有没有租出去，要是楼主回复的慢点，几天过去了都见得能沟通完。还是找专业的吧。

dai123456

2019-07-17 13:35:02 +08:00

不需要使用高匿名的 IP 吗？

snappyone

2019-07-17 13:39:21 +08:00

爬取所有数据->人工标注->机器学习

pandameng

2019-07-17 13:43:05 +08:00 via Android

@Rorysky @dai123456 用了一个 ip 池，单进程执行，并且每条都会停顿 0.8s 。不过昨天加了多进程，进程数可能开多了导致 ip 被封了[悲伤]

pandameng

2019-07-17 13:45:48 +08:00 via Android

@snappyone 触碰到了盲点还要去学习机器学习(●—●)

pandameng

2019-07-17 13:49:39 +08:00 via Android

@guansixu 不想找公寓不想多花钱还有点时间所以只能自己优化喽

SeaRecluse

2019-07-17 14:08:47 +08:00

为什么要把 11 位号码去掉呢，好多人比如我留微信的时候就只留个号码

pandameng

2019-07-17 14:17:10 +08:00 via Android

@SeaRecluse 标题中的手机号，目前为止看到的 95%以上都是中介、公寓管家，个人发帖基本都是在帖子内留个微信号啥的

brust

2019-07-17 16:58:47 +08:00

好多小组,那个管理员就是从事中介或者公寓的

Yang2096

2019-07-17 17:26:14 +08:00

http://bj.yurixu.com/manage/beijing.php 这个只有北京和上海的, 不知道楼主在哪

pandameng

2019-07-17 18:14:26 +08:00 via Android

@Yang2096 不巧深圳

icegreen

2019-07-17 18:14:34 +08:00

现在靠谱房源都链家了；豆瓣真的很难遇到合适的。

pandameng

2019-07-17 18:15:51 +08:00 via Android

@brust 所以主要目的就是过滤掉中介公寓的
不过目前来看可能要上机器学习了

sodadev

2019-07-18 09:21:35 +08:00

@Rorysky 豆瓣防爬基本等于没有吧。。。

sodadev

2019-07-18 09:22:08 +08:00

@Yang2096 这个就是我正在用的上面也有好多中介和二房东。

Abirdcfly

2019-07-18 11:25:48 +08:00

@Rorysky #1 豆瓣是对爬虫最？友好的网站了。特别过分的才会有封 ip 之类的惩治措施。所以爬虫教学 /入门帖很多是爬豆瓣的 2333

qw30716

2019-07-18 15:15:17 +08:00

楼主，我也深圳，有机会共享下

pandameng

2019-07-19 01:11:07 +08:00 via Android

@qw30716 现在是放在了家里树莓派上还没整到公网

twitch

2019-07-20 10:51:54 +08:00 via Android

现在豆瓣上的中介有点多

pandameng

2019-07-20 18:36:46 +08:00 via Android

@twitch 根据过滤的以及爬取的结果来说确实很多

pandameng

2019-07-21 03:39:02 +08:00 via Android

1.目前新增了黑名单过滤词和黑名单表，爬取分析时会保存疑似中介公寓的发帖人，并在爬取后判断帖子的发帖人是否在黑名单中，感觉过滤了很大一部分
2,下一步准备看一下查到的资料-余弦相似度，好像是分词对比相似度，过滤掉相似的帖子标题，应该可以用上

tomxin7

2019-08-01 21:17:17 +08:00

http://house.jiandan.live/index.html 去年就写了这个，不过过滤规则没有楼主的全，打算最近也要优化一下，太多中介的内容了

pandameng

2019-08-12 21:10:14 +08:00 via Android

@tomxin7 巧了，这个网站前几周还在豆瓣上看着有人推荐过，我还试用了一下。
不过你的不同 id 发的相同帖子过滤是怎么计算的，直接在数据库中查询相同的内容吗

tomxin7

2019-08-12 21:12:39 +08:00

@pandameng #24 我只是简单的对比标题是否相同

pandameng

2019-08-12 21:21:52 +08:00 via Android

@tomxin7 哦吼刚开始我也有这样的过滤，不过好多都会改下标题加字减字的，效果不大就取消了