124 lines
5.3 KiB
Markdown
124 lines
5.3 KiB
Markdown
 
|
---
|
|||
|
|
name: jd-fapai-scrape
|
|||
|
|
description: 抓取京东法拍房搜索结果并支持增量更新。通过 Playwright 渲染京东法拍 H5 页面，拦截 API 响应，提取完整房源数据。支持项目链接、拍卖轮次、智能增量更新（遇到已知数据即停止，不全量下载）。
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 京东法拍房源抓取
|
|||
|
|
|
|||
|
|
## 用途
|
|||
|
|
|
|||
|
|
从京东司法拍卖频道搜索结果页抓取全部房源信息：
|
|||
|
|
- 房源标题与地址（完整不截断）
|
|||
|
|
- 项目链接（`https://m.jd.com/product/{skuId}.html`）
|
|||
|
|
- 起拍价 / 当前价 / 均价
|
|||
|
|
- 户型 / 面积 / 用途 / 小区名称
|
|||
|
|
- 拍卖轮次（一拍/二拍/变卖，从 API 标签或折扣率推断）
|
|||
|
|
- 拍卖状态 / 出价次数 / 围观人数
|
|||
|
|
- 拍卖开始与结束时间
|
|||
|
|
- 增量追踪字段（`_first_seen` / `_last_seen`）
|
|||
|
|
|
|||
|
|
## 前置条件
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
pip install playwright
|
|||
|
|
python3 -m playwright install chromium
|
|||
|
|
# 或 apt install chromium-browser
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## 使用方法
|
|||
|
|
|
|||
|
|
### 首次抓取
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
# 默认抓取塘厦镇
|
|||
|
|
python3 skills/jd-fapai-scrape/scrape.py
|
|||
|
|
|
|||
|
|
# 抓取东莞市全部法拍房（~4000 条，约 3 分钟）
|
|||
|
|
python3 skills/jd-fapai-scrape/scrape.py --keyword 东莞市 --output-dir ../法拍/data
|
|||
|
|
|
|||
|
|
# 自定义参数
|
|||
|
|
python3 skills/jd-fapai-scrape/scrape.py --keyword 长安 --sort-field 11 --cate-id 15
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 增量更新
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
# 加 -i 标志，只下载新房源，遇到已知 paimaiId 即停止
|
|||
|
|
python3 skills/jd-fapai-scrape/scrape.py --keyword 东莞市 --output-dir ../法拍/data -i
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
增量模式的智能行为：
|
|||
|
|
- 读取已有 `{keyword}_法拍房源.json` 中的所有 `paimaiId`
|
|||
|
|
- 按最新发布排序加载（`spo_sortField=11`）
|
|||
|
|
- **每加载一批（~40 条）检查是否全部已知**，如果是则立即停止
|
|||
|
|
- 典型增量更新只需加载 1-2 批（~30 秒），而非全量下载 100 批（~3 分钟）
|
|||
|
|
- 新房源添加 `_first_seen` 和 `_last_seen` 时间戳
|
|||
|
|
- 已有房源更新可变字段（当前价、状态、出价次数等）并刷新 `_last_seen`
|
|||
|
|
|
|||
|
|
## 去重机制
|
|||
|
|
|
|||
|
|
**去重 key = `paimaiId`（拍卖ID）**
|
|||
|
|
|
|||
|
|
- 每次拍卖有唯一的 `paimaiId`，同一房产的一拍和二拍是不同的 `paimaiId`，各自保留
|
|||
|
|
- 不会因为标题相同而合并不同拍卖轮次
|
|||
|
|
- `paimaiId` 对应唯一的详情页 URL（`https://m.jd.com/product/{skuId}.html`），等价于按 URL 去重
|
|||
|
|
|
|||
|
|
## 命令行参数
|
|||
|
|
|
|||
|
|
| 参数 | 默认值 | 说明 |
|
|||
|
|
|------|--------|------|
|
|||
|
|
| `--keyword` | 塘厦 | 搜索关键词 |
|
|||
|
|
| `--cate-id` | 15 | 类目 ID（15=法拍房） |
|
|||
|
|
| `--sort-field` | 11 | 排序（11=最新发布） |
|
|||
|
|
| `--max-scrolls` | 100 | 最大滚动次数 |
|
|||
|
|
| `--output-dir` | . | 输出目录 |
|
|||
|
|
| `--incremental` / `-i` | false | 增量更新模式 |
|
|||
|
|
|
|||
|
|
## 输出文件
|
|||
|
|
|
|||
|
|
| 文件 | 内容 |
|
|||
|
|
|------|------|
|
|||
|
|
| `{keyword}_法拍房源.csv` | CSV 表格（26 列，最新发布在前） |
|
|||
|
|
| `{keyword}_法拍房源.json` | 完整原始 JSON（含增量追踪字段） |
|
|||
|
|
| `{keyword}_增量日志.log` | 每次增量更新的新增/变更记录（仅增量模式） |
|
|||
|
|
|
|||
|
|
### CSV 列说明
|
|||
|
|
|
|||
|
|
| 列 | 说明 |
|
|||
|
|
|----|------|
|
|||
|
|
| 序号 / 拍卖ID / SKU ID | 唯一标识 |
|
|||
|
|
| 标题 | 完整房产标题 |
|
|||
|
|
| **项目链接** | `https://m.jd.com/product/{skuId}.html` |
|
|||
|
|
| 位置 / 用途 / 户型 / 面积(㎡) / 小区 / 均价 | 房产属性 |
|
|||
|
|
| 起拍价 / 当前价 / 折扣率 | 价格信息 |
|
|||
|
|
| **拍卖轮次** | 一拍/二拍/变卖（API 标签或折扣率推断） |
|
|||
|
|
| **标签** | 全部标签（诉讼资产、低于评估价等） |
|
|||
|
|
| 状态 / 出价次数 / 围观人数 | 拍卖状态 |
|
|||
|
|
| 开始时间 / 结束时间 | 拍卖时间 |
|
|||
|
|
| 拍卖类型 | 司法拍卖等 |
|
|||
|
|
| **首次发现** / **最后更新** | 增量追踪时间戳 |
|
|||
|
|
|
|||
|
|
## 工作原理
|
|||
|
|
|
|||
|
|
1. **Playwright 渲染**：headless Chromium 打开京东法拍 H5 页面
|
|||
|
|
2. **SSR 数据提取**：页面加载后从 `<script>` 标签中解析内嵌的 page 1 数据（约 40 条）
|
|||
|
|
3. **API 拦截**：监听 `api.m.jd.com` 响应，捕获三个 API：
|
|||
|
|
- `getSearchData`（appid=paimai）→ 房源列表 page 2+（标题、价格、户型、面积等）
|
|||
|
|
- `getPaimaiCurrentInfoByIdsForApi` → 实时拍卖状态（当前价、出价、围观）
|
|||
|
|
- `getAuctionLabelConfigs` → 拍卖标签（一拍/二拍/变卖等）
|
|||
|
|
4. **无限滚动**：自动滚动触发加载更多
|
|||
|
|
5. **智能停止**：增量模式下，检测到一批数据全部已知即停止（SSR page 1 和 API 各批都检查）
|
|||
|
|
6. **拍卖轮次推断**：优先用 API 标签，无标签时从折扣率推断（7折≈一拍, 5.6折≈二拍/变卖）
|
|||
|
|
7. **排序**：保持 API 返回顺序（spo_sortField=11 已按发布时间降序），不重新排序
|
|||
|
|
8. **增量合并**：按 `paimaiId` 去重合并，新数据在前，旧数据在后
|
|||
|
|
|
|||
|
|
## 注意事项
|
|||
|
|
|
|||
|
|
- 京东法拍 API 有风控验证，必须通过浏览器渲染，无法直接调用 API
|
|||
|
|
- 页面是 JS SPA，但第一页数据通过 SSR 内嵌在 HTML `<script>` 标签中，需单独提取
|
|||
|
|
- API 只返回 page 2+，只拦截 API 会漏掉 page 1（包括最新发布的房源）
|
|||
|
|
- URL 中的位置参数（`tttparams`、`spo_lat`、`spo_lng`）影响搜索结果范围
|
|||
|
|
- API 每页约 40 条，东莞市全量约 4000 条（可能为 API 上限）
|
|||
|
|
- 拍卖标签（一拍/二拍）仅对部分数据能从 API 获取，其余从折扣率推断
|
|||
|
|
- 同一房产的多次拍卖（一拍流拍后二拍）有不同的 `paimaiId`，各自独立保留
|