博主介绍：✌程序员徐师兄，7年大厂开发经验。全网粉丝12w+，CSDN博客专家，同时活跃在掘金、华为云、阿里云、InfoQ等平台，专注Java技术和毕业项目实战分享✌
🍅文末获取源码联系🍅
👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟
- 2022‑2024年最全的计算机软件毕业设计选题大全：1000个热门选题推荐✅
- Java项目精品实战案例《500套》
- Java微信小程序项目实战《200套》
- Python项目实战《200套》
感兴趣的先收藏！毕设选题、项目、文档写作有疑问随时留言~
文章目录
- 简介
- 技术栈
- 系统模块
- 核心代码示例
- 爬虫示例（Requests + BeautifulSoup）
- 数据清洗与聚合（Pandas）
- 后端接口（Django View）
- 前端 ECharts 展示
- 效果展示
- 登录与数据管理
- 首页概览
- 动态可视化
- 后台管理
- 源码获取：
简介
这套系统是用 Python + Django 搭的，目标是帮咱们把广州、杭州和北京的二手房价格扒下来，然后通过酷炫的图表一键展示动态走势。后台用 Django 提供接口，前端用 HTML 搭页面，图表部分用 ECharts，数据暂时放 SQLite，结构轻巧又好上手。整个项目实战性强，新手大学生拿来做毕业设计、课程设计都很合适。
系统能自动爬取各大房产网站二手房最新报价，结合 Pandas 做数据清洗、聚合，再把结果喂给前端。用户一打开页面，就能看到不同城市按时间、区域、房型分类的均价折线图、柱状图，直观了解市场波动。
技术栈
| 技术 | 用途 | 说明 |
|---|---|---|
| Django | 后端框架 | 处理业务逻辑、提供 RESTful 接口 Django 文档 快速入门 |
| SQLite | 数据存储 | 轻量级嵌入式数据库，免安装 |
| Pandas | 数据处理 | 清洗、统计、聚合 Pandas 教程 |
| PyMySQL | MySQL 连接 | （可选）若要用 MySQL，请安装并替换 SQLite |
| Requests | 网络请求 | 发起爬虫 HTTP 请求 |
| BeautifulSoup4 | 网页解析 | 从 HTML 中抽取房源信息 |
| ECharts | 前端可视化 | 折线图、柱状图、区域热力图 ECharts 入门 |
| HTML/CSS/JS | 前端页面 | 展示图表和交互 |
系统模块
整个可视化系统一共分三个核心模块：
-
数据采集
- 使用
Requests+BeautifulSoup4自动爬取指定网站的二手房列表页和详情页。 - 加入随机 UA、延时（
time.sleep(random.uniform(1,3))）和异常重试，防止被反爬。
- 使用
-
数据处理
- 用 Pandas 将原始爬取的字段（小区名、区域、价格、面积、发布时间等）做清洗和标准化。
- 对空值字段赋
NaN，统一时间格式，拆分房型、楼层等； - 按城市+日期+区域聚合，计算每日均价、涨跌幅。
-
图表展示
- 后端 Django 提供 JSON 接口
/api/price-trend?city=北京&start=2024-01-01&end=2024-05-01，返回均价时序。 - 前端用 ECharts 画折线图、柱状图、热力图，一页多图自由切换；
- 支持按房型筛选、按区县对比。
- 后端 Django 提供 JSON 接口
核心代码示例
爬虫示例（Requests + BeautifulSoup）
import random, time, requests
from bs4 import BeautifulSoup
def fetch_page(url):
headers = {'User-Agent': get_random_ua()}
resp = requests.get(url, headers=headers, timeout=10)
resp.raise_for_status()
return resp.text
def parse_list(html):
soup = BeautifulSoup(html, 'html.parser')
for item in soup.select('.list-item'):
yield {
'title': item.select_one('.title').get_text(strip=True),
'price': item.select_one('.price').get_text(strip=True),
'area': item.select_one('.area').get_text(strip=True),
'detail_url': item.select_one('a')['href']
}
# 定时拉取
for city in ['gz', 'hz', 'bj']:
for page in range(1, 6):
url = f'https://{city}.ershoufang.example.com/page/{page}/'
html = fetch_page(url)
for record in parse_list(html):
save_to_db(city, record)
time.sleep(random.uniform(1, 3))
数据清洗与聚合（Pandas）
import pandas as pd
from sqlalchemy import create_engine
# 连接 SQLite
engine = create_engine('sqlite:///house.db')
df = pd.read_sql('select * from listings', engine)
# 清洗
df['price'] = df['price'].str.replace('万', '').astype(float)
df['date'] = pd.to_datetime(df['date'])
df['district'] = df['title'].apply(lambda s: s.split()[1])
# 聚合计算每日均价
trend = df.groupby(['city', df['date'].dt.date]).price.mean().reset_index()
trend.to_sql('price_trend', engine, if_exists='replace', index=False)
后端接口（Django View）
from django.http import JsonResponse
from .models import PriceTrend
def price_trend(request):
city = request.GET.get('city')
start = request.GET.get('start')
end = request.GET.get('end')
qs = PriceTrend.objects.filter(city=city, date__range=[start, end]).order_by('date')
data = list(qs.values('date', 'price'))
return JsonResponse({'status': 'ok', 'data': data})
前端 ECharts 展示
<div id="chart" style="width: 100%; height: 400px;"></div>
<script>
fetch(`/api/price-trend?city=北京&start=2024-01-01&end=2024-05-01`)
.then(res => res.json())
.then(({ data }) => {
const dates = data.map(d => d.date);
const prices = data.map(d => d.price);
var myChart = echarts.init(document.getElementById('chart'));
myChart.setOption({
title: { text: '北京二手房均价走势' },
xAxis: { type: 'category', data: dates },
yAxis: { type: 'value' },
series: [{ data: prices, type: 'line', smooth: true }]
});
});
</script>
效果展示
登录与数据管理
首页概览
动态可视化
后台管理
源码获取：
大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻
👇🏻 精彩专栏推荐订阅👇🏻 不然下次找不到哟
2022-2024年最全的计算机软件毕业设计选题大全：1000个热门选题推荐✅
Java项目精品实战案例《100套》
Java微信小程序项目实战《100套》
Python项目实战《100套》
感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及文档编写等相关问题都可以给我留言咨询，希望帮助更多的人
