我爬了链家青岛市北3000套二手房得出一

青岛市二手房爬了 2023-01-30 22:01:48 828人浏览安东尼

Python 官方文档：入门教程 => 点击学习

摘要

前言青岛的房价这两年翻了一番，举个栗子，如果你在2016年在市区买了100万的房子，2018年价值200万，净增100万；如果你2016年没有买这100万的房子，2018年买房将多付100万，机会成本100万。而这100万可能是青岛白

前言

青岛的房价这两年翻了一番，举个栗子，如果你在2016年在市区买了100万的房子，2018年价值200万，净增100万；如果你2016年没有买这100万的房子，2018年买房将多付100万，机会成本100万。而这100万可能是青岛白领不吃不喝十年的收入。

自2018年第二季度起，限价限购限售与金融市场去杠杆两大行政令双管齐下，包括青岛在内的一二线城市房价明显遇冷，成交寥寥，投资客杳无踪影，刚需驻足观望，着急出售的不得不主动降价，价格普遍下跌，三四线城市也受到不同程度的影响。根据博主的卖房经历，初始挂牌价同小区同期房最低，依然许久无人问津，在中介的提议下骤降X%才出手。但是，从长期来看，除非政府放弃干预，实行完全的市场经济模式，否则一二线城市的房价跌幅不会太大，尤其青岛，各地铁线路的开通将再次拉高沿线房产价格。对于刚需群体而言，买房的主要目的不是投资，而是居住。购房时间越晚，成本越高。

爬取数据

博主最近有买房的计划，房价稳中下跌，不失为一个买房好机会。于是，我这个之前不懂房的人，硬着头皮用 python 爬了些数据分析了一丢丢。

创建基本的数据库：

CREATE TABLE `house` (
   `id` int(11) unsigned NOT NULL AUTO_INCREMENT COMMENT '主键',
   `url` varchar(20) NOT NULL COMMENT '二手房地址',
   `housing_estate` varchar(20) NOT NULL COMMENT '小区',
   `position` varchar(20) NOT NULL COMMENT '位置',
   `square_metre` decimal(10,2) NOT NULL COMMENT '大小 平米',
   `unit_Price` int(11) NOT NULL COMMENT '单价元 基本都是整数',
   `total_price` int(11) NOT NULL COMMENT '单价万元 基本都是整数',
   `follow` int(11) NOT NULL COMMENT '关注量',
   `take_look` int(11) NOT NULL COMMENT '带看量',
   `pub_date` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '发布日期',
   PRIMARY KEY (`url`),
   UNIQUE KEY `id` (`id`)
 ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8

爬取代码：

#coding=utf-8
#!/usr/bin/Python
__author__ = "小柒"
__blog__ = "https://blog.52itstyle.com/"
# 导入requests库
import requests
# 导入文件操作库
import os
import re
import bs4
from bs4 import BeautifulSoup
import sys
from util.Mysql_DBUtils import mysql


# 写入数据库
def write_db(param):
    try:
        sql = "insert into house (url,housing_estate,position,square_metre,unit_price,total_price,follow,take_look,pub_date) "
        sql = sql + "VALUES(%(url)s,%(housing_estate)s, %(position)s,%(square_metre)s,"
        sql = sql + "%(unit_price)s,%(total_price)s,%(follow)s,%(take_look)s,%(pub_date)s)"
        mysql.insert(sql, param)
    except Exception as e:
        print(e)


# 主方法
def main():
    # 给请求指定一个请求头来模拟chrome浏览器
    headers = {'User-Agent': 'Mozilla/5.0 (windows NT 10.0; Win64; x64) AppleWEBKit/537.36 (Khtml, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
    page_max = 100
    for i in range(1, int(page_max) + 1):
        if i == 1:
            house = 'Https://qd.lianjia.com/ershoufang/shibei/'
        else:
            house = 'https://qd.lianjia.com/ershoufang/shibei/pg'+str(i)
        res = requests.get(house, headers=headers)
        soup = BeautifulSoup(res.text, 'html.parser')
        li_max = soup.find('ul', class_='sellListContent').find_all('li')
        for li in li_max:
            try:
                house_param = {}
                #  荣馨苑  | 3室2厅 | 115.91平米 | 南 北 | 毛坯 | 无电梯
                content = li.find('div', class_='houseInfo').text
                content = content.split("|")
                house_param['housing_estate'] = content[0]
                house_param['square_metre'] = re.findall(r'-?\d+\.?\d*e?-?\d*?', content[2])[0]
                # --------------------------------------------------------#
                #  位置 水清沟
                position = li.find('div', class_='positionInfo').find('a').text
                house_param['position'] = position
                # --------------------------------------------------------#
                totalprice = li.find('div', class_='totalPrice').text
                house_param['total_price'] = re.sub("\D", "", totalprice)
                unitprice = li.find('div', class_='unitPrice').text
                house_param['unit_price'] = re.sub("\D", "", unitprice)
                # --------------------------------------------------------#
                # 57人关注 / 共13次带看 / 6个月以前发布
                follow = li.find('div', class_='followInfo').text
                follow = follow.split("/")
                house_param['follow'] = re.sub("\D", "", follow[0])
                house_param['take_look'] = re.sub("\D", "", follow[1])
                # --------------------------------------------------------#
                # 二手房地址
                title_src = li.find('div', class_='title').find('a').attrs['href']
                house_param['url'] = re.sub("\D", "", title_src)
                res = requests.get(title_src, headers=headers)
                soup = BeautifulSoup(res.text, 'html.parser')
                # --------------------------------------------------------#
                # 挂牌时间(重要数据)
                pub_date = soup.find('div', class_='transaction').find_all('li')[0].find_all('span')[1].text
                house_param['pub_date'] = pub_date
                write_db(house_param)
            except Exception as e:
                print(e)
        mysql.end("commit")
    mysql.dispose()


if __name__ == '__main__':
    main()

通过链家网页搜索，青岛市北共找到 5105 套二手房，但是看下分页，有100页，每页30条数据，博主用 Python也只爬下2994条数据。个人侦察能力有限，至今仍未找到被藏起来的两千多套房子。若有知晓内幕者，望不吝赐教，柒某愿闻其详。

分析数据

数据库设计方面，博主目前只关注总价、均价、关注、带看量以及发布时间。

总体概况

总数	均价	均关注	均带看
2994	27721	17	1

我们先来看一下链家提供的青岛市北的二手房价格（成交价）走势：

爬取得到的平均单价与链家统计的挂牌平均单价相差无几，成交单价比挂牌平均单价低3k左右。目前二手房市场交易冷冷清清，部分二手房房主无意出售或者不急于出售，挂牌一两年仍未成交，这里后面会有数据说明。

只有少部分房主出于房产置换或套现等需求，着急出售，因而愿意大幅降价。

受首付难凑，房贷难申，房价下跌，尤其是房产市场前景不明朗等多重因素影响，本就为数不多的准买家持续观望，尽管各中介频繁推荐房源，但是准买家并不为所动。

位置分布

从以上两张图可以很直观地看出二手房集中在几个区域——海云庵、台东、新都心。为何这些区域存在如此多的待售二手房呢？

海云庵：以前属于四方区，后现划分至市北，位置略偏，多层房老旧，还有部分拆迁还建房，高至三十几层，物业管理混乱。原房主出售房产谋求换房改善居住环境。
台东：老市北，典型的开放多层老旧小区，商住混合，人员杂乱，挂牌出售的房产中尤以待拆房居多。
新都心：属于市北新商业区，多为2010年以后的高层电梯房，房子基数大，且此区域配套设施完善，在这个区域投资的炒房客多，挂牌出售以套现。

带看量

带看量为零的房源高达六成，多为同小区房源中单价偏高者，显然，鲜有人问津是此时挂牌出售的大部分房源的现状，准买家不仅不急于购买，看房子也不着急了。或许不仅仅是不着急，而是基于目前家庭经济状况考虑，购房目标转向被限价的新楼盘和价格较低的红岛、黄岛等区域了。

挂牌大于一年未出售的房子：

总数	单均价	均关注	均带看
124	28169	47	0.48

挂牌大于半年未出售的房子：

总数	单均价	均关注	均带看
908	27795	31	0.92

挂牌大于三个月未出售的房子：

总数	单均价	均关注	均带看
2345	27712	20	1.07

在带看量为0或1的房源中，不排除部分炒房客无意出售或者不急于出售，有意高价挂牌，潜移默化地拉高整个小区的房价。

贷款

此次房地产市场遇冷，与贷款利率提高不无关系，房价与房贷利率犹如坐在跷跷板两端，当房价出现下滑迹象时，房贷利率优惠就难觅踪影，而当首套房贷利率有所松动时，房价将进入上升通道。对刚需而言，房价略降并不意味着购房成本降低。房贷利率上浮了百分之二十左右，但房价仅仅是略降而已，如果购房者贷款比例高，房价下降的部分不多于多付的利息，购房总成本并未降低。总而言之，利率高，房价低，对于全款买房的买家来说，成本才是真的低了。

商业贷款贷款额度100万，等额本息还款差距表：

优惠	利率	月供
基准	4.9	5307
九折	4.41	5014
上浮20%	5.88	5919

如果你打算公积金贷款，不要做白日梦了，漫长的申请周期和可怜的额度足以让买卖双方都抓狂。

注：2017年青岛就业人员平均工资出炉月均5253元。

房产税

至于房产税，还在酝酿提案中，神马时候冲破重重关卡仍未可知。

那么哪些人惧怕房产税？

人群	伤害指数
在中心城市囤积大量住宅的人	★★★
盲目购买旅游物业、养老地产的人	★★★★
盲目购买三四线城市郊区、新区住宅的人	★★★★
加杠杆、超承受能力买多套房的白领	★★★★
在三四线城市囤积了大量住宅的人	★★★★★★
手中有多套房、负债率非常高的炒房者	★★★★★★

主要取决于房产税的具体条款，包括征税比例、起征房产套数、起征面积、异地房产统计、家庭成员统计等诸多因素。

趋势态度

其实扯了这么多，总的来说，房价大概不会继续翻着番地涨，同时，指望购房成本下降也是不现实的。如果你是炒房客，换个市场炒吧；如果你是刚需，看好房子就要尽早下手，不要期待任何人慷慨解囊或赠予。规则认知和运用能力是个体生存的基本能力。

当然，肯定有一些人，斥责现在的年轻人以买房为目标，别无他求。有的是有人帮忙负重，生而无忧，从不为其所困；有的是无欲无求，赡养、抚育与他毫无干系；更多的是想要而不得，迫不得已放弃。房地产自商业化之日起就绑架了太多，下一代的教育、良好的居住环境、货币贬值与资产保值……万事有因果，存在即合理。如果真的要“修正”价值观，洗脑活动需尝试从下一代出生之日开始。