通过爬虫抓取链家二手房数据

 背景：

　　公司需要分析通过二手房数据来分析下市场需求，主要通过爬虫的方式抓取链家等二手房信息。

一、分析链家网站

　　1.因为最近天津落户政策开放，天津房价跟着疯了一般，所以我们主要来分析天津二手房数据，进入链家网站我们看到共找到29123套天津二手房；

　　2.查看下页面的数据结构以及每页显示数据条数；

 　　　　通过分析每页显示数据30条，总共显示100页面，即使我们通过翻页方式100页也只能拿到数据3000条与其提示的数据信息还差的很多。

　　　　通过翻页的方式没有办法获取需要的数据的话，那么我后来考虑自己拼接url的方式来获取更多的数据，通过拼接方式发现只要超过100页的时候，无论怎么拼接他都是现实最后一页的数据，通过拼接的方式只能以失败告终

　　　　　通过拼接url方式失败以后只能考虑通过按照区域的查询条件来检索数据，但是发现通过区域检索的时候有些区域二手房数量也会超过3000条，这样我们必须还的继续按照区域下面的划分，这样会虽然可以但是比较麻烦，所以这样我们暂时不考虑；

　　　通过上面的分析链家对这块限制比较多，如果爬取来容易被封还的考虑使用代理IP来应对，这样会增加成本同时还会限制速度，所以考虑通过APP或者小程序下手抓包分析下他的接口；

二、抓包分析链家APP；

　　1.一般情况抓包主要通过fiddler 来抓包，下面抓下链家APP的包，手机中配置代理以后会在fiddler中显示手机发送的所有请求，这样不便于我这边分析，所以需要在fiddler设置下过滤规则；

　　2.访问链家APP，抓取链家二手房的接口，很轻松的我们就抓到了链家二手房的请求接口，通过抓包我们看到了我们需要的数据，瞬间感觉比爬取页面简单的多；

　　3.把接口拷贝至Postman里面来验证下接口中需要的验证和必要的参数，经过验证接口里面请求参数都是必须参数，而且headers里面有一个必须添加的参数Authorization，通过验证发现Authorization，接口参数改变后Authorization值失效；

　　分析步骤：

　　　　1.直接复制接口在Postman请求，请求结果返回"无效的请求";

　　　　2.headers 添加参数UA再次请求，请求结果返回"无效的请求";

　　　　3.headers 添加参数Authorization再次请求，请求结果返回正常数据(抓包的过程中发现这个值很特殊所以优先尝试)；

　　　　4.判断Authorization是否是动态值变更接口的参数再次请求，请求结果返回"无效的请求"；

　　　　5.筛减请求参数再次请求，请求结果返回返回"无效的请求"；

　　根据上述分析Authorization 可能根据请求参数进行加密生成的，这样我们要了解逻辑只能反编译APP,那只能再次改变策略，尝试小程序是否可以实现；

　　4.抓包分析链家小程序

　　　　我们依然需要按照上述的分析步骤来抓包分析，接口请求的参数均是必须参数，而且headers里面的参数依然需要authorization,这个时候我们再也没有办法避开分析这个参数了；

# 二手房微信小程序接口
https://wechat.lianjia.com/ershoufang/search?city_id=120000&condition=&query=&order=&offset=0&limit=10&sign=
#headers 参数
lianjia-source:ljwxapp
authorization:bGp3eGFwcDoxYTNjMDA3MmQ0ZDA3NTM2ODVlOTJlMDQ0NmUwNDk5NQ==
time-stamp:1527659945696

三、反编译链家微信小程序

　　1.获取微信小程序所对应的 wxapkg 包文件；

　　　　i.安装android-sdk-windows,安装完成执行adb --version命令返回版本号证明安装成功；

C:Usershunk>adb --version
Android Debug Bridge version 1.0.39
Version 0.0.1-4500957
Installed as D:Program Filesandroid-sdk-windowsplatform-toolsadb.exe

　　　ii.安装MuMu模拟器安装登陆微信，添加链家小程序；

　　　iii.通过adb命令链接模拟器，获取wxapkg 包文件；

　　

#链接mumu 模拟器
adb connect 127.0.0.1:7555   # 注意adb连接手机端口5555
# 
adb shell
cd /data/data/com.tencent.mm/MicroMsg/8c12ff3e9b0391b589c0d5b16dc21952/appbrand/pkg   #8c12ff3e9b0391b589c0d5b16dc21952为当前微信的用户名字，可以根据自己的实际来查找
cancro:/data/data/com.tencent.mm/MicroMsg/8c12ff3e9b0391b589c0d5b16dc21952/appbrand/pkg # rm -rf *   # 便于识别那个属于链家，先删除目录内容再次打开链家小程序
cancro:/data/data/com.tencent.mm/MicroMsg/8c12ff3e9b0391b589c0d5b16dc21952/appbrand/pkg # ls
_-1261323258_17.wxapkg   # 名字不固定，根据实际来查看
_1123949441_130.wxapkg
and/pkg # cp _-1261323258_17.wxapkg  /sdcard/
cancro:/data/data/com.tencent.mm/MicroMsg/8c12ff3e9b0391b589c0d5b16dc21952/appbrand/pkg # exit
# 把_-1261323258_17.wxapkg 下载本地

C:Usershunk>adb pull /sdcard/_-1261323258_17.wxapkg . /sdcard/_-1261323258_17.wxapkg: 1 file pulled. 1.0 MB/s (988967 bytes in 0.941s)

　　2.反编译微信小程序，获取重要信息；

　　　　通过github上获取微信小程序.wxapkg解压工具，我这边使用python3来解压；

　　　　把_-1261323258_17.wxapkg和unwxapkg.py 放在通过个目录解压，会在当前目录生成_-1261323258_17.wxapkg_dir

 python .unwxapkg.py .\_-1261323258_17.wxapkg

　　　　下面是解压后的目录结构

　　　　目录结构简单的介绍

*.html	包含wxss样式信息
app-service.js	所有js汇总文件
app-config.json	app.json 以及各个页面的配置文件
page-frame.html	wxml文件及app.wxss 样式

　　

　　3.分析加密过程，生成authorization；

　　　i.微信小程序的页面逻辑主要都会存储在app-service.js，下面我们需要来解析下这个文件，打开文件的时候里面的内容比较乱，我们需要通过格式化工具格式下js文件，使用Nodepad++ 来打开，安装下JSTool工具格式化js代码，这样会让我们看的舒服一些；

　　ii.通过关键字"authorization"搜索,对应的加密信息

　　搜索出来第一处带有authorization关键字的代码，这里是请求的定义的header 信息，我们这里可以看到Authorization的值是经过base64编码；

　　

　　搜索出来第二处带有authorization关键字的代码，这里我们可以看到一个关键信息l += "6e8566e348447383e16fdd1b233dbb49",这里猜想6e856这个串应该是appkey校验信息；

　　根据搜索出来的两端代码我们来进行一次分析,首先获取请求参数，然后对请求参数转换成为字典，然后通过key进行排序，使用将key和value通过= 链接起来，在末尾添加appkey，进行md5加密，最后在开头添加appid 进行base64 编码；

/*定义变量 l，空字符串*/
var l = "";
/*   
1.将请求参数解析成key:value 键值对; 
2.通过key进行从小到大排序;
3.通过"="将 key和value连接起来，并追加到变量 l中;
 */
Object.keys(a.data).sort().forEach(function (e) {
    return l += e + "=" + ("object" == t(a.data[e]) ? JSON.stringify(a.data[e]) : a.data[e])
}),
/*l 中再次追加字符串6e8566e348447383e16fdd1b233dbb49 */
l += "6e8566e348447383e16fdd1b233dbb49",
/*对l 字符串进行md5加密*/
l = e.default.hexMD5(l),
/*对加密的结果添加前缀 ljwxapp:*/
l = "ljwxapp:" + l,
c.Authorization = n.encode(l),

　　4.验证逻辑是否正确，抓取二手房列表；

import hashlib
import base64
from urllib.parse import urlparse, parse_qs

app_id = "ljwxapp:"
app_key = "6e8566e348447383e16fdd1b233dbb49"


def get_authorization(url):
    """
    根据url 动态获取authorization
    :param url:
    :return:
    """

    param = ""
    parse_param = parse_qs(urlparse(url).query, keep_blank_values=True)  # 解析url参数
    data = {key: value[-1] for key, value in parse_param.items()}  # 生成字典
    dict_keys = sorted(data.keys())  # 对key进行排序
    for key in dict_keys:  # 排序后拼接参数,key = value 模式
        param += str(key) + "=" + data[key]
    param = param + app_key  # 参数末尾添加app_key
    param_md5 = hashlib.md5(param.encode()).hexdigest()  # 对参数进行md5 加密
    authorization_source = app_id + param_md5  # 加密结果添加前缀app_id
    authorization = base64.b64encode(authorization_source.encode())  # 再次进行base64 编码
    return authorization.decode()


if __name__ in "__main__":
　　# 天津链家二手房信息
    url = "https://wechat.lianjia.com/ershoufang/search?city_id=120000&condition=&query=&order=&offset=0&limit=10&sign="
    print(get_authorization(url))  # 生成加密串：bGp3eGFwcDoxYTNjMDA3MmQ0ZDA3NTM2ODVlOTJlMDQ0NmUwNDk5NQ==

　　　　我们把生成的结果放在Postman中验证看看是否正确

 四、通过Scrapy 来爬取所有的二手房数据，验证上述逻辑是否正确

　　1.settings.py 配置文件配置接口请求的地址和APP_ID 和APP_KEY

　　

　　2.定义我们要抓取的字段

# -*- coding: utf-8 -*-
# @Time    : 2018/5/30 10:52
# @Author  : Hunk
# @File    : ErShouFangListItems.py
# @Software: PyCharm

from scrapy import Item
from scrapy import Field


class ErShouFangItems(Item):
    house_code = Field()  # 二手房ID
    resblock_id = Field()  # 小区ID
    resblock_name = Field()  # 小区名字
    price = Field()  # 价格元/平

　　3.编写下Spider逻辑

# -*- coding: utf-8 -*-
# @Time    : 2018/5/30 10:51
# @Author  : Hunk
# @File    : ParseErShouFangList.py
# @Software: PyCharm
import time
import json
import math
from scrapy import Spider
from scrapy import Request
from lib.Encrypt import get_authorization
from scrapy.utils.project import get_project_settings
from ..items.ErShouFangListItems import ErShouFangItems


class ParseErShouFangSpider(Spider):
    """
    楼盘列表
    """
    name = 'TJErShouFang'

    def __init__(self, city_id, *args, **kwargs):
        super(ParseErShouFangSpider, self).__init__(*args, **kwargs)
        self.settings = get_project_settings()
        self.base_url = self.settings["WX_BASE_URL"]  # 获取配置文件中的微信小程序的请求地址
        self.api = "/ershoufang/search"  # 二手房接口地址
        self.city_id = city_id
        self.limit_offset = 0
        self.new_house_url = self.base_url + self.api + "?city_id=%s&condition=&query=&order=&offset=%s&limit=10&sign"  # 拼接二手房接口地址
        self.start_urls = self.new_house_url % (city_id, self.limit_offset)  # 请求地址
        self.headers = {"time-stamp": str(int(time.time() * 1000)), "lianjia-source": "ljwxapp",
                        "authorization": ""}  # 定义header

    def start_requests(self):
        """
        重写start_requests
        :return:
        """
        self.headers["authorization"] = get_authorization(self.start_urls)
        yield Request(url=self.start_urls, headers=self.headers, callback=self.parse)

    def parse(self, response):

        total_count = self.parse_page(response)  # 获取一共有多少页面数据
        for i in range(0, total_count):  # 翻页操作
            url = self.new_house_url % (self.city_id, self.limit_offset)  # 定义请求的url
            self.limit_offset += 10  # 每页显示10条数据，每次翻页递增10条
            self.headers["authorization"] = get_authorization(url)
            yield Request(url=url, headers=self.headers, callback=self.parse_house_item)

    def parse_house_item(self, response):
        """
        解析JSON 数据
        :param response:
        :return:
        """
        item = ErShouFangItems()
        content = json.loads(response.body.decode())
        ershoufang_list = content["data"]["list"]
        if len(ershoufang_list) > 0:
            for ershoufang in ershoufang_list:
                item["house_code"] = ershoufang_list[ershoufang]["house_code"]
                item["resblock_id"] = ershoufang_list[ershoufang]["resblock_id"]
                item["resblock_name"] = ershoufang_list[ershoufang]["resblock_name"]
                yield item

    def parse_page(self, response):
        """
        计算总共页数
        :param response:
        :return:
        """
        content = json.loads(response.body.decode())
        total_count = int(content["data"]["total_count"])
        return int(math.ceil(total_count / 10))

　　4.运行自己的爬虫，查看下结果

　　

以上过程主要记录了，抓取链家二手房数据时候的过程。