Lord1Egypt 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：
- 安居客 (anjuke.com) - ✅ 已验证可绕过
- 贝壳找房 (ke.com) - ✅ 已验证可绕过
- 链家 (lianjia.com) - ⚠️ 部分页面需要验证码
- 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
# 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
# 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
# agent-browser模式（已验证有效）
bash scripts/bypass_ke.sh
爬取链家数据
# 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
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）
# 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）
# 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）
# 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：
{
"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
# 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 scripts/bypass_anjuke.sh
批量爬取多个城市
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
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
- 遵守网站条款：不要违反网站的服务协议
- 数据使用限制：仅用于合法目的和研究
- 频率控制：避免影响网站正常运营
- 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。