1. 问题
我需要一套二室一厅，价格在40万左右的，位于上海某几个区（例如徐汇，闵行区）的二手房。我理想中的房子当然需要满足很多条件，例如它必须是两室都朝南的房子，它的均价必须低于7000元每平方米，等等。
通常我使用上海热线的二手房网（http://secondhand.online.sh.cn/）来查找最新的二手房信息。
但是每天跟踪网站的最新二手房信息太累人了。二手房网每天都要添加很多最新信息，为了识别出符合我的条件的房子，我必须把所有这些信息都看一遍。整个过程非常浪费时间。
原因在于：
1. 网站只会在首页显示最新加入的一些二手房的*概要*信息。而我为了作出自己的判断，光是看概要信息是不够的，我必须看详细信息。而这就意味着我必须点击概要信息中的名为“详细”的超链接来下载详细信息的页面。
2. 并不是所有信息都是放在一个页面上的。事实上，上海热线的二手房网的信息是分页显示的，每个页面大概只显示10条信息。如果我需要看所有的信息的话，我需要看大概500－3000条信息左右（信息的多少和搜索条件是否严格，搜索的区域的大小有关系）。
上述1，2点的意思就是，即使我只需要看500条信息，我也需要看550个页面：
500/10（概要信息页面）+500*1（每条信息的详细页面）=550
每个页面载入的时间是10秒（实际取样的结果），我阅读每个页面的时间是25秒（我的阅读速度是非常快的了）。
550*(10+25)=19250秒＝320分钟=5小时。
也就是说，光是阅读信息我就需要花5小时的时间。事实上，我还没有考虑对信息进行分析（例如列出均价最低的10处房产）的时间呢，这远比阅读更花时间。
2. 问题的本质
由于现在很多信息都放在网上了，类似的问题很常见。例如招聘，证券等等，都有同样的问题。这个问题就是，如何高效率地从internet上获得数据并进行分析。
3.一个方案
我看了一些国内的相关文章，这些文章的方案都是基于IE的自动化的。通常使用VB语言加上WebBrowser控件。
这种方案最主要的缺点是由于WebBrowser对很多数据操作进行了封装，使得本来很简单的操作变得麻烦无比（我猜原因是因为微软设计WebBrowser的目的是自动化IE的操作）。例如取得当前页面这样一个操作，如果使用WebBrowser开发的话竟然需要分取得当前页面，在某个事件中获得取得页面成功两个进程。为了使这两个进程通信又需要很多额外的工作。
我的方案是使用python开发一个脚本，因为python的库支持比较完备，这样还可以获得跨平台的额外好处。我使用结构化的设计，因为使用web机器人取得数据这样的事情本身就是结构化的。我将和具体网站相关的操作都封装在某几个函数内，这意味着该脚本如果经过适当的改写，还能有其他应用。也就是，这个脚本不仅仅是用于上海热线二手房网的，也不仅仅是先于搜索二手房的。
在写这个脚本之前，我已经有一些边写web机器人的经验，使用的语言包括VB，Java，Python等等。我认为目前我写的这个web机器人是比较成熟的。
这个方案的要点是这样的，首先向二手房网提交条件，然后获得分页搜索结果，从第一页中读取各信息条款()，读取共有多少页面等等必要的信息（这些信息的读取同样需要硬编码起始标志和结束标志）等等。然后根据这些信息模拟翻页，点击“详细”链接等动作。这些动作无非就是http标准中的get，post动作而已。
上述方案中的某些地方需要硬编码，必要的话需要分析浏览器客户端脚本（例如JavaScript）：
*各信息条款的起始标志和结束标志
*当前页面计数的起始标志和结束标志
*页面总数的起始标志和结束标志
*翻页动作中的超链接地址
*点击“详细”超链接中的超链接地址
获得的数据我都打印在屏幕上，这些数据使用逗号分割，如果希望把数据导入到文件中，可以使用管道机制。
例如，假设我写的脚本是house.py，你希望把house.py的数据导入到文件house.csv中去，你可以输入这样的命令：
python house.py > house.csv
接下来你可以就可以分析house.csv了。我通常用支持正则表达式的编辑器去掉house.csv中的一些格式化字符，再用excel进行数据分析。
4. 具体实现以及代码
具体实现中还碰到一些小问题。例如为了支持中文，我必须再脚本的开头加上“# -*- coding: mbcs -*-”这一行。我上网需要使用指定的代理服务器，所以我使用urllib2库而不是urllib库。这些问题都已经在源代码中说明了。
下面就是源代码：
1 # -*- coding: mbcs -*-
2
3 #------------------user configuration------------begin
4
5 #是否使用需要验证的http代理？（仅限于极少数公司,大多数情况下置为0)
6 config_using_proxy=0
7
8 #代理地址和端口号，仅当config_using_proxy等于1时有效
9 config_httpproxy=""
10
11 #登陆代理服务器的用户名，仅当config_using_proxy等于1时有效，否则可以忽略
12 config_username=""
13
14 #登陆代理服务器的密码，仅当config_using_proxy等于1时有效，否则可以忽略
15 config_password=""
16
17 #选择所在区县（"","闵行","徐汇","杨浦","虹口","长宁","静安","卢湾","黄浦","闸北","普陀","浦东","宝山","嘉定","青浦","奉贤","南汇","金山","松江","崇明"),""表示所有
18 config_szqx="虹口"
19
20 #选择几室？ （"", "1","2","3","4","5")
21 config_fx_room="2"
22
23 #选择几厅？ （"","0","1","2","3","4")
24 config_fx_hall="1"
25
26 #选择总价下限（单位：万),（"0","10","15","20","25","30","35","40","50","60","70","80","90","100"),"0"表示不限
27 config_jg_min="20"
28
29 #选择总价上限（单位：万),（"10000000","10","15","20","25","30","35","40","50","60","70","80","90","100"),"10000000"表示不限
30 config_jg_max="60"
31
32 #选择交易方式, ("0","1"), 0表示出售,1表示置换
33 config_type="0"
34
35 #登记日期(单位,天),("15","30","180",""),""表示不限
36 config_djrq="15"
37
38 #搜索表格第一行开始的标志字符串（第一行从该字符串之后开始搜索行开始标志)
39 config_tbl_begin_str=">区县<"
40
41 #搜索表格最后一行末尾的标志字符串（最后一行从该字符串之前开始反向搜索行结束标志)
42 config_tbl_end_str="共找到符合条件的出售房源信息"
43 #------------------------user configuration---------------end
44
45
46 #------------------------administrator configuration------begin
47
48 config_post_data={"szqx":config_szqx,"fx_room":config_fx_room,"fx_hall":config_fx_hall,"jg_min":config_jg_min,"jg_max":config_jg_max,"type":config_type,"djrq":config_djrq,"sortfield":"djrq","sorttype":"desc","whichpage":"1"}
49
50 #------------------------administrator configuration------end
51
52
53
54
55 from string import *
56 import sys
57
58 #-----------------print routines-------------begin
59 def dump_row_end():
60 sys.stdout.write('/n')
61
62
63 def dump_table_begin():
64 sys.stdout.write("区县"+",")
65 sys.stdout.write("物业地址"+",")
66 sys.stdout.write("房型"+",")
67 sys.stdout.write("物业类型"+",")
68 sys.stdout.write("建筑面积"+",")
69 sys.stdout.write("总价"+",")
70 sys.stdout.write("登记时间"+",")
71 sys.stdout.write("房源编号"+",")
72 sys.stdout.write("物业名称"+",")
73 sys.stdout.write("房 龄"+",")
74 sys.stdout.write("产权说明"+",")
75 sys.stdout.write("中介报价"+",")
76 sys.stdout.write("物业详细地址"+",")
77 sys.stdout.write("房屋朝向"+",")
78 sys.stdout.write("所在楼层"+",")
79 sys.stdout.write("装修程度"+",")
80 sys.stdout.write("室内条件"+",")
81 sys.stdout.write("有效期限"+",")
82 sys.stdout.write("备 注"+",")
83 sys.stdout.write("联 系 人"+",")
84 sys.stdout.write("联系电话"+",")
85 sys.stdout.write("/n")
86
87
88 def dump_one_field(str):
89 sys.stdout.write(str+",")
90
91 #-----------------print routines-------------end
92
93
94 #-----------------house parser-------------begin
95 def get_last_page_number(s):
96 no_begin=find(s,"尾页")
97 if no_begin==-1:
98 return 0
99
100 no_begin=rfind(s,"javascript:form_submit(/'",0,no_begin)
101 no_begin+=len("javascript:form_submit(/'")
102 no_end=find(s,"/'",no_begin)
103 if no_end==-1:
104 return 0
105
106 if no_begin>no_end:
107 return 0
108 return atoi(s[no_begin:no_end])
109
110
111 def get_data_in_one_tag(instr4,tag):
112 tag_begin=find(instr4,"<"+tag)
113 if tag_begin==-1:
114 return instr4
115
116 tag_begin=find(instr4,">")
117 if tag_begin==-1:
118 return instr4
119 tag_begin+=1
120
121 tag_end=find(instr4,"</"+tag+">",tag_begin)
122 if tag_end==-1:
123 return instr4
124
125 return instr4[tag_begin:tag_end]
126
127 def filter_rubbish_data(str):
128 return strip(replace(replace(replace(replace(str,","," "),'/n',''),'/t',''),'/r','')) #maybe we will output data in csv format
129
130 def get_one_detailed_data(instr3,keyword):
131
132 #print instr3 #debug
133 #print keyword #debug
134
135 data_begin=find(instr3,keyword)
136 if data_begin==-1:
137 return ""
138 # handle data
139 data_begin=find(instr3,"<td",data_begin)
140 if data_begin==-1:
141 return ""
142
143 data_begin=find(instr3,">",data_begin)
144 if data_begin==-1:
145 return ""
146 data_begin=data_begin+1
147
148 data_end=find(instr3,"</td>",data_begin)
149 if data_end==-1:
150 return ""
151
152 if data_begin>data_end:
153 return ""
154 # delete space , comma ,tab and linefeed
155 #return replace(instr3[data_begin:data_end],","," ")
156 return filter_rubbish_data(instr3[data_begin:data_end])
157
158
159 def get_detailed_data(instr2):
160 dump_one_field(get_one_detailed_data(instr2,"房源编号"))
161 dump_one_field(get_one_detailed_data(instr2,"物业名称"))
162 dump_one_field(get_one_detailed_data(instr2,"房 龄"))
163 dump_one_field(get_one_detailed_data(instr2,"产权说明"))
164 dump_one_field(get_one_detailed_data(instr2,"中介报价"))
165 #delete the href
166 tmpstr=get_one_detailed_data(instr2,"物业地址")
167 tmppos=find(tmpstr,"<a")
168 if tmpstr<>-1:
169 tmpstr=strip(tmpstr[:tmppos])
170 dump_one_field(tmpstr)
171 dump_one_field(get_one_detailed_data(instr2,"房屋朝向"))
172 dump_one_field(get_one_detailed_data(instr2,"所在楼层"))
173 dump_one_field(get_one_detailed_data(instr2,"装修程度"))
174 dump_one_field(get_one_detailed_data(instr2,"室内条件"))
175 dump_one_field(get_one_detailed_data(instr2,"有效期限"))
176 dump_one_field(get_one_detailed_data(instr2,"备 注"))
177 dump_one_field(get_data_in_one_tag(get_one_detailed_data(instr2,"联 系 人"),"div"))
178 dump_one_field(get_data_in_one_tag(get_one_detailed_data(instr2,"联系电话"),"div"))
179
180
181 def get_data(instr,tbl_begin_str,tbl_end_str):
182 #table begin
183 idx=find(instr,tbl_begin_str)
184 if idx==-1:
185 return
186 idx=find(instr,"<tr",idx)
187 if idx==-1:
188 return
189 table_begin=idx
190 #print instr[table_begin:table_begin+100] #debug
191
192 #table end
193 idx=find(instr,tbl_end_str,table_begin)
194 #print instr[table_begin:idx]
195 if idx==-1:
196 return
197 idx=rfind(instr,"</tr>",table_begin,idx)
198 if idx==-1:
199 return
200 table_end=idx+len("</tr>")
201 #print instr[table_begin:table_end] #debug
202
203 #search rows
204 tr_idx=table_begin
205 while tr_idx<table_end:
206 #tr begin
207 tr_idx=find(instr,"<tr",tr_idx)
208 if tr_idx==-1:
209 return
210 tr_idx=find(instr,">",tr_idx)
211 if tr_idx==-1:
212 return
213 tr_begin=tr_idx+1
214
215 #tr end
216 tr_idx=find(instr,"</tr>",tr_begin)
217 if tr_idx==-1:
218 return
219 tr_end=tr_idx
220 #print instr[tr_begin:tr_end] #debug
221
222
223 #search cells in one row
224 td_idx=tr_begin
225 is_really_a_row_dumped=0
226 while td_idx<tr_end:
227 # td data begin
228 td_idx=find(instr,"<td",td_idx)
229 #print td_idx #debug
230 if td_idx==-1:
231 return
232 td_idx=find(instr,">",td_idx)
233 #print td_idx #debug
234 if td_idx==-1:
235 return
236 tddata_begin=td_idx+1
237
238 # td data end
239 td_idx=find(instr,"</td>",td_idx)
240 #print td_idx #debug
241 if td_idx==-1:
242 return
243 tddata_end=td_idx
244
245 if tddata_begin>tddata_end:
246 continue
247
248 if tddata_end>tr_end:
249 continue
250
251 if tddata_end>table_end:
252 continue
253
254 tddata=filter_rubbish_data(instr[tddata_begin:tddata_end])
255
256 #if the tddata is a href, let's get more data from the href
257 href_begin=find(tddata,"href=/"javascript:urll(/'")
258 if href_begin==-1:
259 dump_one_field(tddata)
260 continue
261
262
263 href_begin=href_begin+len("href=/"javascript:urll(/'")
264
265 href_end=find(tddata,"/'",href_begin)
266 if href_end==-1:
267 return
268
269 view_url="http://secondhand.online.sh.cn/"+tddata[href_begin:href_end]
270 #print view_url #debug
271 #dump_one_field(view_url)
272
273 view_result=urllib2.urlopen(view_url)
274 view_data=view_result.read()
275 #print "view_data="+view_data #debug
276 get_detailed_data(view_data)
277 is_really_a_row_dumped=1
278
279 if is_really_a_row_dumped: #sometimes, no td output
280 dump_row_end()
281 #-----------------house parser-------------end
282
283
284 def install_proxy():
285 httpproxy=config_httpproxy
286 username=config_username
287 password=config_password
288 httpproxystring='http://' + username + ':' + password + '@' + httpproxy
289
290 # build a new opener that uses a proxy requiring authorization
291 proxy_support=urllib2.ProxyHandler({"http":httpproxystring})
292
293 authinfo=urllib2.HTTPBasicAuthHandler()
294 opener = urllib2.build_opener(proxy_support, authinfo,urllib2.HTTPHandler)
295
296 # install it
297 urllib2.install_opener(opener)
298
299 #----------------main---------------------begin
300 if __name__=="__main__":
301 #get the page
302 import urllib2
303 import urllib
304
305 #using proxy
306 if config_using_proxy:
307 install_proxy()
308
309 f = urllib2.urlopen("http://secondhand.online.sh.cn/selllist.php",urllib.urlencode(config_post_data))
310 #print f.headers #debug
311 s=f.read()
312 #print s #debug
313
314 #parse the html page
315 #s="<table><tr><td>data11</td><td>data12</td></tr><tr><td>data21</td><td>data22</td></tr></table>" #debug
316 #config_tbl_begin_str="<table>" #debug
317 #config_tbl_end_str="</table>" #debug
318
319 # print out the table header
320 dump_table_begin()
321 # print out the first page
322 get_data(s,config_tbl_begin_str,config_tbl_end_str)
323
324 # get the page size from the first page data
325 last_page=get_last_page_number(s)
326 # print out other pages (if exist)
327 for i in range(2,last_page):
328 config_post_data['whichpage']=str(i)
329 f = urllib2.urlopen("http://secondhand.online.sh.cn/selllist.php",urllib.urlencode(config_post_data))
330 s=f.read()
331 get_data(s,config_tbl_begin_str,config_tbl_end_str)
332
333 #s="<td height=26>header1</td><td height=26>data1</td>" #debug
334 #print get_one_detailed_data(s,"header1") #debug
335
336 #print get_last_page_number("<a href=/"javascript:form_submit(/'51/',/'djrq/',/'desc/')/">尾页</a>") #debug
337 #----------------main---------------------end