房产中介网站爬虫技能#

简介#

这个技能整合了安居客和贝壳找房的爬虫经验，专门用于爬取中国主流房产中介网站的数据：

1. 安居客 (anjuke.com) - ✅ 已验证可绕过
2. 贝壳找房 (ke.com) - ✅ 已验证可绕过
3. 链家 (lianjia.com) - ⚠️ 部分页面需要验证码
4. 搜房网 (soufun.com) - 待验证

包含完整的反爬虫绕过策略和数据提取功能。

核心功能#

1. 反爬虫绕过策略#

• 浏览器指纹伪装（桌面/移动设备）
• 随机延迟和人类行为模拟
• Cookie和会话管理
• 代理IP支持（可选）
• 验证码处理机制

2. 数据提取功能#

• 房价信息（总价、单价）
• 房产面积
• 地理位置
• 户型信息
• 装修状态
• 建筑年代
• 房屋图片（可选）

3. 爬取模式#

• Python快速爬取模式 - 适用于简单反爬虫网站
• agent-browser浏览器模式 - 适用于复杂反爬虫网站
• 混合模式 - 结合两种方法获取完整数据

4. 导出格式#

• JSON格式
• CSV格式
• Excel格式（需要 pandas）
• HTML报告
• 可视化图表

快速开始#

安装依赖#

bash

# 安装Python依赖
pip install requests beautifulsoup4 lxml pandas

# 安装agent-browser（已安装）
npm install -g agent-browser
agent-browser install

基本使用#

爬取安居客数据

bash

# Python模式
python3 scripts/anjuke_crawler.py

# agent-browser模式
bash scripts/bypass_anjuke.sh

爬取贝壳找房数据

bash

# agent-browser模式（已验证有效）
bash scripts/bypass_ke.sh

爬取链家数据

bash

# 需要验证码处理的链家爬虫
bash scripts/bypass_lianjia.sh

主要脚本#

1. anjuke_crawler.py#

• Python脚本爬取安居客数据
• 使用requests库
• 包含反爬虫机制

2. bypass_anjuke.sh#

• Shell脚本使用agent-browser
• 模拟真实浏览器行为
• 绕过安居客反爬虫

3. bypass_ke.sh#

• Shell脚本爬取贝壳找房
• 使用移动设备UA
• 已验证可绕过验证码

4. bypass_lianjia.sh#

• Shell脚本爬取链家
• 包含验证码处理策略
• 可能需要人工干预

5. real_estate_crawler.py#

• 通用房产爬虫程序
• 支持四个网站
• 可配置反爬虫参数

配置文件#

config/real_estate_config.py#

python

CONFIG = {
    "anjuke": {
        "name": "安居客",
        "url": "https://www.anjuke.com",
        "anti_crawler_level": "高",
        "anti_crawler_tips": "安居客有较强的反爬虫机制，需要模拟人类行为、使用随机延迟、设置cookie"
    },
    "ke": {
        "name": "贝壳找房",
        "url": "https://www.ke.com",
        "anti_crawler_level": "较高",
        "anti_crawler_tips": "贝壳找房对爬虫有较强的检测，建议使用代理IP、会话管理、模拟移动设备"
    },
    "lianjia": {
        "name": "链家",
        "url": "https://www.lianjia.com",
        "anti_crawler_level": "高",
        "anti_crawler_tips": "链家有很强的验证码机制，建议：1) 使用真实Cookie（先手动完成一次验证）；2) 设置Referer和来源页；3) 使用代理IP；4) 限制访问频率"
    },
    "soufun": {
        "name": "搜房网",
        "url": "https://www.soufun.com",
        "anti_crawler_level": "中",
        "anti_crawler_tips": "搜房网反爬虫机制相对温和，但仍需注意频率控制"
    }
}

已验证的绕过策略#

贝壳找房（已验证成功）#

bash

# 设置移动设备UA
agent-browser set device "iPhone 14"
agent-browser set viewport 375 812
agent-browser set headers '{
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 16_6 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.6 Mobile/15E148 Safari/604.1"
}'

# 访问页面
agent-browser open "https://bj.ke.com/ershoufang"
agent-browser wait 5000

链家（部分页面成功）#

bash

# 访问城市页面（无验证码）
agent-browser open "https://www.lianjia.com/city/"
agent-browser wait 4000

# 二手房页面可能需要验证码处理
agent-browser open "https://www.lianjia.com/ershoufang/bj/"
agent-browser wait 5000

# 如果出现验证码，需要人工干预
agent-browser pause
# 手动完成验证码
agent-browser continue

安居客（基于历史经验）#

bash

# 设置桌面浏览器UA
agent-browser set viewport 1920 1080
agent-browser set headers '{
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/146.0.0.0 Safari/537.36"
}'

# 设置cookie模拟真实用户
agent-browser cookies set "ctid" "16"
agent-browser cookies set "twe" "2"
agent-browser cookies set "obtain_by" "3"

数据结构#

房产数据包含以下字段：

json

{
    "title": "房源标题",
    "price": "总价（万元）",
    "avg_price": "均价（元/㎡）",
    "area": "面积（㎡）",
    "location": "位置",
    "house_type": "户型",
    "age": "建筑年代",
    "orientation": "朝向",
    "decoration": "装修状态",
    "source": "来源网站",
    "url": "房源URL",
    "timestamp": "爬取时间"
}

使用示例#

爬取贝壳找房北京二手房#

bash

# 使用agent-browser
bash scripts/bypass_ke.sh

# 或者使用Python脚本
python3 scripts/real_estate_crawler.py -w ke -c "北京" -p 1 -o ke_properties.json

爬取安居客南京房产数据#

bash

bash scripts/bypass_anjuke.sh

批量爬取多个城市#

python

python3 scripts/batch_crawler.py \
  --websites "anjuke,ke" \
  --cities "北京,上海,广州,深圳" \
  --pages 3 \
  --format "csv"

常见问题#

Q1: 遇到验证码怎么办？#

• 使用agent-browser pause命令暂停脚本
• 手动完成验证码
• 使用agent-browser continue继续执行
• 保存会话状态（agent-browser state save）

Q2: 爬虫被封禁怎么办？#

• 更换代理IP
• 更换User-Agent
• 降低访问频率（增加延迟）
• 使用不同的设备指纹

Q3: 数据提取不准确怎么办？#

• 更新HTML选择器
• 使用正则表达式改进匹配规则
• 使用agent-browser查看实际页面结构
• 手动验证数据格式

Q4: 如何提高爬取效率？#

• 使用代理IP池
• 并行爬取多个城市
• 优化HTML解析算法
• 缓存已验证的会话

文件结构#

text

real-estate-crawler/
├── SKILL.md              # 技能文档
├── README.md             # 使用指南
├── main.py               # 主程序入口
├── scripts/
│   ├── anjuke_crawler.py        # 安居客爬虫
│   ├── bypass_anjuke.sh         # 安居客反爬虫脚本
│   ├── bypass_ke.sh             # 贝壳找房脚本（已验证）
│   ├── bypass_lianjia.sh        # 链家脚本（需要验证码处理）
│   ├── bypass_soufun.sh         # 搜房网脚本
│   ├── real_estate_crawler.py   # 通用爬虫
│   └── batch_crawler.py        # 批量爬取脚本
├── config/
│   ├── real_estate_config.py    # 网站配置
│   ├── user_agents.txt          # User-Agent列表
│   └── proxy_list.txt           # 代理IP列表
├── docs/
│   ├── captcha_strategies.md    # 验证码绕过策略
│   ├── anti_crawler_guide.md    # 反爬虫指南
│   └── data_extraction.md       # 数据提取指南
└── output/
    ├── data/
    ├── screenshots/
    └── logs/

更新日志#

v1.0.0 (2026-03-26)#

• ✅ 整合安居客爬虫（已验证）
• ✅ 整合贝壳找房爬虫（已验证可绕过）
• ✅ 添加链家爬虫（部分页面需要验证码）
• ✅ 完整的反爬虫策略文档
• ✅ 多种爬取模式支持
• ✅ 数据导出功能

法律与伦理#

使用建议#

1. 遵守网站条款：不要违反网站的服务协议
2. 数据使用限制：仅用于合法目的和研究
3. 频率控制：避免影响网站正常运营
4. 隐私保护：不收集个人隐私信息

建议频率#

• 每批次不超过100个请求
• 每小时不超过1000个请求
• 每天不超过5000个请求

联系方式#

如有问题或建议，请联系技能开发者。

---

警告: 使用本技能爬取数据时，请遵守相关法律和网站条款。