rgelus / cianparser Goto Github PK

Cianparser - это библиотека Python 3 (версии 3.8 и выше) для парсинга сайта Циан. С его помощью можно получить достаточно подробные и структурированные данные по краткосрочной и долгосрочной аренде, продаже квартир, домов, танхаусов итд.

pip install cianparser

import cianparser
    
data = cianparser.parse(
    deal_type="rent_long",
    accommodation_type="flat",
    location="Москва",
    rooms=(2, 3),
    start_page=1,
    end_page=2,
    is_saving_csv=True,
)

print(data[0])

                              Preparing to collect information from pages..

The absolute path to the file: 
 /Users/macbook/some_project/cian_parsing_result_rent_long_1_2_moskva_04_Feb_2023_06_58_21_765479.csv 

The page from which the collection of information begins: 
 https://cian.ru/cat.php?engine_version=2&p=1&region=1&offer_type=flat&deal_type=rent&room2=1&room3=1&with_neighbors=0&type=4 

Collecting information from pages with list of announcements
1 | 1 page with list: [=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>] 100% | Count of parsed: 28. Progress ratio  50 %. Average price: 204 642 rub
2 | 2 page with list: [=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>=>] 100% | Count of parsed: 56. Progress ratio 100 %. Average price: 236 426 rub

{  'accommodation_type': 'flat',
   'deal_type': 'rent',
   'city': 'Москва',
   'district': 'Замоскворечье',
   'underground': 'Новокузнецкая',
   'street': 'Космодамианская набережная',
   'house_number': 25,
   'floor': 5,
   'floors_count': 12,
   'total_meters': 85.0,
   'living_meters': 55.0,
   'kitchen_meters': 11.0,
   'rooms_count': 3,
   'year_of_construction': '1954',
   'price_per_month': 93000,
   'price_per_m2': 1094,
   'commissions': 50,
   'author': 'Apple Real Estate',
   'author_type': 'real_estate_agent',
   'phone': '+79057145354',
   'link': 'https://www.cian.ru/rent/flat/282487326/',
}

The collection of information from the pages with list of announcements is completed
Total number of parced announcements: 56. Average price per month: 236 426 rub

Функция parse имеет следующий аргументы:

• deal_type - тип объявления, к примеру, долгосрочная, краткосрочная аренда, продажа ("rent_long", "rent_short", "sale")
• accommodation_type - вид жилья, к примеру, квартира, комната, дом, часть дома, таунхаус ("flat", "room", "house", "house-part", "townhouse")
• location - локация объявления, к примеру, Казань (для просмотра доступных мест используйте cianparser.list_cities())
• rooms - количество комнат, к примеру, 1, (1,3, "studio"), "studio, "all"; по умолчанию любое ("all")
• start_page - страница, с которого начинается сбор данных, по умолчанию, 1
• end_page - страница, с которого заканчивается сбор данных, по умолчанию, 100
• is_saving_csv - необходимо ли сохранение собираемых данных (в реальном времени в процессе сбора данных) или нет, по умолчанию False
• is_latin - необходимо ли преобразывание любой встрещающейся кириллицы в латиницу, по умолчанию False
• is_express_mode - необходимо ли ускорение (в 5-10 раз) сбор данных (но без трех полей, см примечание), по умолчанию True
• additional_settings - дополнительные фильтры поиска (см. ниже в Дополнительные фильтры поиска), по умолчанию None
• proxies - прокси (см раздел Cloudflare, CloudScraper, Proxy), по умолчанию None

Если имеется желание собрать данные со всех страниц, то можно пропустить аргументы start_page и end_page. В проекте предусмотрен функционал корректного завершения в случае окончания страниц. По данному моменту, следует изучить раздел Ограничения

В настоящее время функционал доступен только по продажам (sale) и долгосрочном арендам (rent_long) квартир и студий (flat).

Пример:

additional_settings = {
    "is_by_homeowner": True,
    "min_price": 1000000,
    "max_price": 10000000,
    "have_balconies": True,
    "have_loggia": True,
    "min_house_year": 1990,
    "max_house_year": 2023,
    "min_floor": 3,
    "max_floor": 4,
    "min_total_floor": 5,
    "max_total_floor": 10,
    "house_material_type": 1,
    "metro": "Московский",
    "metro_station": "ВДНХ",
    "metro_foot_minute": 45,
    "sort_by": "price_from_min_to_max",
}

• is_by_homeowner - объявления, созданных только собственниками
• min_price - цена от
• max_price - цена до
• have_balconies - наличие балкона
• have_loggia - наличия лоджи
• min_house_year - год постройки дома от
• max_house_year - год постройки дома до
• min_floor - этаж от
• max_floor - этаж до
• min_total_floor - этажей в доме от
• max_total_floor - этажей в доме до
• house_material_type - тип дома
• metro - название метрополитена
• metro_station - станция метро (доступно при условии, что задано metro)
• metro_foot_minute - сколько минут до метро пешком (доступно при заданном параметре metro_station)
• sort_by - сортировка объявлений

Для house_material_type возможны следующие из значений

• 1 - киричный
• 2 - монолитный
• 3 - панельный
• 4 - блочный
• 5 - деревянный
• 6 - сталинский
• 7 - щитовой
• 8 - кирпично-монолитный

Возможные значения полей metro и metro_station можно посмотреть cianparser.list_metro_stations().keys() и cianparser.list_metro_stations()[metro] соотвественно

Поле sort_by может иметь следующие возможные значения:

• "price_from_min_to_max" - сортировка по цене (сначала дешевле)
• "price_from_max_to_min" - сортировка по цене (сначала дороже)
• "total_meters_from_max_to_min" - сортировка по общей площади (сначала больше)
• "creation_data_from_newer_to_older" - сортировка по дате добавления (сначала новые)
• "creation_data_from_older_to_newer" - сортировка по дате добавления (сначала старые)

• district - район
• underground - метро
• street - улица
• house_number - номер дома
• floor - этаж
• floors_count - общее количество этажей
• total_meters - общая площадь
• living_meters - жилая площади
• kitchen_meters - площадь кухни
• rooms_count - количество комнат
• year_construction - год постройки здания
• house_material_type - тип дома (киричный/монолитный/панельный итд)
• heating_type - тип отопления
• price_per_month - стоимость в месяц
• price_per_m2 - стоимость на квадратный метр
• commissions - комиссия, взымаемая при заселении
• author - автор объявления
• author_type - тип автора
• phone - номер телефона в объявлении
• link - ссылка на объявление

Возможные значения поля author_type:

• real_estate_agent - агентство недвижимости
• homeowner - собственник
• realtor - риелтор
• official_representative - ук оф.представитель
• representative_developer - представитель застройщика
• developer - застройщик
• unknown - без указанного типа

Признаки аналогичны вышеописанным, кроме отсутствия полей price_per_month и commissions.

При этом появляются новые:

• price - стоимость недвижимости
• residential_complex - название жилого комплекса
• object_type - тип жилья (вторичка/новостройка)
• finish_type - отделка

Имеется возможность сохранения собираемых данных в режиме реального времени. Для этого необходимо подставить в аргументе is_saving_csv значение True.

Пример получаемого файла:

cian_parsing_result_rent_long_1_2_moskva_04_Feb_2023_06_58_21_765479.csv

Для обхода блокировки в проекте задействован CloudScraper (библиотека cloudscraper), который позволяет успешно обходить защиту Cloudflare.

Вместе с тем, это не гарантирует отсутствие возможности появления у некоторых пользователей теста CAPTCHA при долговременном непрерывном использовании.

Поэтому была предоставлена возможность проставлять прокси, используя аргумент proxies (список прокси протокола HTTP)

Пример:

proxies = [
'85.26.146.169:80',
'178.140.177.145:8889',
'95.66.138.21:8880',
'93.123.226.23:81',
'46.47.197.210:3128',
'213.184.153.66:8080',
'62.33.207.201:3128',
]

В процессе запуска утилита проходится по всем из них, пытаясь определить подходящий, то есть тот, который может, во первых, делать запросы, во вторых, не иметь тест CAPTCHA

Пример лога, в котором представлено все три возможных кейса

The process of checking the proxies... Search an available one among them...
 1 | proxy 46.47.197.210:3128: unavailable.. trying another
 2 | proxy 213.184.153.66:8080: there is captcha.. trying another
 3 | proxy 95.66.138.21:8880: available.. stop searching

Сайт выдает списки с объявлениями лишь до 54 странцы включительно. Это примерно 28 * 54 = 1512 объявлений. Поэтому, если имеется желание собрать как можно больше данных, то следует использовать более конкретные запросы (по количеству комнат).

К примеру, вместо того, чтобы при использовании указывать rooms=(1, 2), стоит два раза отдельно собирать данные с параметрами rooms=1 и rooms=2 соответственно.

Таким образом, максимальная разница может составить 1 к 6 (студия, 1, 2, 3, 4, 5 комнатные квартиры), то есть 1512 к 9072.

1. В некоторых объявлениях отсутсвуют данные по некоторым признакам (год постройки, жилые кв метры, кв метры кухни итп). В этом случае проставляется значение -1 либо пустая строка для числового и строкового типа поля соответственно.

2. Для отсутствия блокировки по IP в данном проекте задана пауза (в размере 4-5 секунд) после сбора информации с каждой отдельной взятой страницы.

3. Не рекомендутся производить несколько процессов сбора данных параллельно (одновременно) на одной машине (см. пункт 2).

4. Имеется флаг is_express_mode, при помощи которого можно существенно (в 5-10 раз) ускорить сбор данных благодаря отсутствию необходимости заходить на каждую страницу с предложением. Однако в таком случае не будут собираться данные о площади кухни, годе постройки здания, типа дома, типа отделки, типа отопления, типа жилья и номере телефона.

5. Данный парсер не будет работать в таком инструменте как Google Colaboratory. См. подробности

6. Если в проекте не имеется подходящего локации (неожидаемое значение аргумента location) или иными словами его нет в списке cianparser.list_cities(). То прошу сообщить, буду рад добавить.