案例 22｜二手房房源信息采集

一、案例背景与采集目标

二手房信息是最贴近生活、也最适合练「两级抓取」的数据。一条房源的信息通常分成两半：列表页上只有「小区 + 户型 + 面积 + 总价」这些摘要；想看朝向、楼层、建成年代，还得点进详情页。所以这个案例天然就是列表页拿链接、详情页取字段的两级结构。

这一篇的示范站点是 链家 · 广州二手房列表，网址 https://gz.lianjia.com/ershoufang/；它的同源站点贝壳找房 · 广州二手房（https://gz.ke.com/ershoufang/）字段几乎一致，可以对照着看。链家列表页按行政区、板块、面积、价格筛选，公开可访问。

更重要的是，房源数据里藏着一道必做的验证题：页面挂牌的单价，和你自己用「总价 ÷ 面积」算出来的单价，能不能对上？对不上就说明有一处字段采错了、或者口径不一致。这个「算一遍再核对」的动作，是本案例的核心训练。

1.1 这个案例要拿到什么

• 广州某个区域（如「天河区 · 珠江新城」）的二手房房源清单，一条房源一行；
• 标题、小区、区域、户型、建筑面积、朝向、楼层、建成年代；
• 挂牌总价（万元）与挂牌单价（元/㎡）；
• 自己用总价 ÷ 面积算出的单价，并与挂牌单价核对；
• 按区域分组对比均价与套数。

1.2 这个案例的难点在哪

1.3 采集范围与边界

房源信息属于房产平台面向公众公开展示的内容，本案例只采公开的房源字段。有一条线要划清楚：经纪人姓名、联系电话、微信、门店地址等个人信息一律不采。房源本身是商品信息，联系人信息是个人隐私，两者必须区别对待。

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

目标站点：链家 · 广州二手房列表，网址 https://gz.lianjia.com/ershoufang/，以及列表里每条房源的详情页。

2.1 完整字段表（13 个字段）

下表就是本案例的验收标准。前 6 个来自列表页，其余来自详情页或由计算派生。

2.2 计算单价与核对（本案例的关键动作）

采完之后，用下面这条口径算一遍单价，再和页面挂牌单价对比：

计算单价（元/㎡） = 挂牌总价（万元） × 10000 ÷ 建筑面积（㎡）

示例：480 万 ÷ 89.5 ㎡ = 53631 元/㎡
      与页面挂牌单价 53631 元/㎡ 一致 → 通过
      若差异超过 3%，标记出来人工复核

• 常见对不上的原因：面积口径不同（建筑面积 / 套内面积）、总价里含车位或税费、取值时漏了一位数字。
• 核对的价值：这不是为了纠网站的错，而是为了发现自己采集中的错误。单价对不上，多半是你把某条房源的面积或总价采错了。

三、零代码操作步骤

下面是在 WorkBuddy 里完成本案例的完整流程。两级抓取的关键是先拿链接、再进详情，不要一步到位。

1. 新建对话，粘贴提示词，把检索区域换成「天河区 · 珠江新城」，网址用 https://gz.lianjia.com/ershoufang/。
2. 第一步：只采列表页。说「先只采列表页的房源标题、详情链接、挂牌总价这三列」。
3. 试三条详情页。说「请进入前 3 条详情页，补采小区、户型、建筑面积、朝向、楼层、建成年代」。
4. 检查单位与格式。面积是不是纯数字？总价是不是万元？有没有混进「㎡」「万」？
5. 算单价并核对。说「新增一列计算单价 = 总价 × 10000 ÷ 面积，并与挂牌单价比对，差异超过 3% 的标红」。
6. 放开全部。确认没问题后说「按同样规则采完这一页的全部房源」。
7. 按区域分组。说「按区域分组，统计每组的房源套数、平均单价」。
8. 导出并归档。说「导出为 Excel，文件名 houses_20261008.xlsx」。

四、提示词模板与追问技巧

下面这段可以直接复制。注意：网址写全、两级抓取分步走、把合规边界交代死。

请帮我采集链家广州二手房列表的房源信息，做一张房源清单表，分两步走。

【目标站点】https://gz.lianjia.com/ershoufang/
  这是链家的广州二手房列表页，可按行政区、板块、面积、价格筛选，带分页。
  列表页只有摘要，完整字段（朝向、楼层、建成年代）在每条房源的详情页里。

【检索条件】区域：天河区 · 珠江新城；结果第 1 页
【第一步 · 列表页】先采这三列：
  1. 房源标题
  2. 详情链接（完整网址）
  3. 挂牌总价（单位万元，只留数字，如 480）

【第二步 · 详情页】逐条进入详情页，补采：
  4. 小区
  5. 区域（统一成 行政区·板块，如 天河区·珠江新城）
  6. 户型（统一成 X 室 X 厅）
  7. 建筑面积（单位 ㎡，只留数字，如 89.5）
  8. 朝向
  9. 楼层（如 中楼层/共 18 层）
 10. 建成年代（只留年份）
 11. 挂牌单价（元/㎡，页面上的值）
 12. 挂牌日期（详情页上的上架日期）

【计算与核对】
  - 新增一列「计算单价」= 挂牌总价 × 10000 ÷ 建筑面积
  - 与「挂牌单价」对比，差异超过 3% 的记录单独列出来给我
  - 计算单价和挂牌单价都要保留，不要互相覆盖

【合规要求】
  - 只采房源公开展示的字段；经纪人姓名、电话、微信、门店地址一律不要采集
  - 先只采列表页给我看，我确认后再进详情页
  - 严格低频：每条之间间隔 3 秒以上，绝不并发；遇到验证码立即停止并告诉我
  - 结果导出为 houses_20261008.xlsx

4.1 三条常用追问指令

追问一（剔除推荐位）：
列表里混进了「猜你喜欢」「推荐房源」这些块，
请只保留搜索结果里的真实房源，把推荐位去掉。

追问二（单价对不上）：
第 4、9 条的「计算单价」和「挂牌单价」差了 8% 以上，
请重新核对这两条的「建筑面积」和「挂牌总价」是否采错，并把核对过程告诉我。

追问三（分组对比）：
请按区域分组，统计每组的房源套数、平均挂牌单价、平均建筑面积，
按平均单价从高到低排序。

五、结果核对、清洗与保存

采集到的原始结果样例（节选，示例数据，均为真实字段形态）：

5.1 四步清洗，一句话一条

① 单位剥离与数值化：
   建筑面积只留数字；挂牌总价按万元保留；挂牌单价与计算单价转成数值型。

② 口径统一：
   把「2室1厅」「2 室 1 厅」统一成「2 室 1 厅」；
   区域统一成「行政区·板块」两段式。

③ 单价核对：
   重算「计算单价」= 挂牌总价 × 10000 ÷ 建筑面积，保留整数；
   与挂牌单价相比差异超过 3% 的记录单独输出一份核对表。

④ 分组汇总：
   按区域分组，输出套数、平均挂牌单价、平均建筑面积、最高与最低总价。

5.2 保存与归档

houses_20261008.xlsx          原始明细表
houses_20261008_clean.xlsx    清洗版（数值化 + 单价核对）
houses_region_20261008.xlsx   区域汇总表（套数、均价、均价排序）
houses_20261008_log.txt       日志：区域、页数、条数、核对差异条数

六、常见问题与合规红线

6.1 这个站点上最容易踩的五个坑

6.2 三条合规红线（每个案例都要过一遍）

1. 只采房源公开字段。经纪人姓名、电话、微信、门店地址等个人信息一律不采、不存、不导出。
2. 严格控频。房产平台对频率敏感，页数要少、间隔要长，绝不并发轰炸。
3. 不用于商业用途。采集结果仅用于课程分析，不转售、不对外发布原始数据。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。