开源图形爬虫Hawk5，抓取全国二手房和租房数据
最近又要租房了，哪里的性价比更高？买房却不知道全国市场的趋势如何？程序员自有办法，抓取网络的房产交易和租房数据来分析啊！
用Python写起来麻烦，用商业软件速度慢还收费，开源的图形化爬虫Hawk，已经在其任务市场里内置了全国链家和我爱我家的工程任务。一键即可加载市场任务，一键在全国几十个城市之间切换，还能一键导出数据到Excel，txt等各种文本类型，心动了么？
Hawk是一款开源的图从2015年开发至今，已经经历三个版本，但是Hawk5则带来了其历史上最大的一次更新，并提供了社区化的任务市场，多国语言和更强大的调试系统。
本文将手把手地让您通过Hawk无需编程地抓取全部房产数据，并从中了解Hawk的设计思想和原理。如果你已经是Hawk的用户，可以通过本文了解Hawk5的最新功能。
本文面向程序猿同学，一些常识不再介绍。更多的细节可参考使用文档，有包含Hawk方方面面的信息。
GitHub主页：https://github.com/ferventdesert/Hawk
使用文档： https://ferventdesert.github.io/Hawk/
下载地址： https://github.com/ferventdesert/Hawk/releases
启动Hawk
Hawk是绿色软件，下载后双击Hawk.exe直接启动，可能依赖于.Net Framework 4.5，系统提示时可自行下载安装。
启动后，在欢迎页面有三个tab页： 新建任务，任务市场和参数设置。欢迎页面非常重要，能够新建任务，或者浏览相关文档和帮助。
front.gif
但本教程不介绍如何设计任务。我们直接使用现有的任务市场。切换到任务市场，Hawk会访问远程git仓库拉取任务列表（这可能需要一些时间）。
稍等片刻Hawk即可将远程任务预览出来。 其中包括教学工程，搜狐新闻等示例。
market.gif
左侧选择链家全国地产，该工程包括了抓取全国的二手房，新房，小区，租房信息，
在左侧工程列表上点击右键加载，即可加载链家的整个任务。（当然也可以在右侧任务列表上加载单个任务，Hawk只会加载它和它依赖的任务列表）。
查看抓取结果
在Hawk主界面右侧是当前的状态，包括三个区域：
- 已加载任务
- 数据管理：可显示生成的或从文件中导出的表
- 工作线程视图：正在执行的任务都会显示在这里
在“已加载任务”中，双击任一栏目（此处我们选择链家在售），Hawk就会在后台执行实时抓取和计算，并将最终抓取结果预览在当前页面中，默认显示的是北京的二手房信息。如果你希望预览更多条数据，修改下方调试框的采样量，点击刷新即可。
是不是很方便？如何在多个城市间切换？如何将数据导出？不要着急，我们先讲解Hawk是如何工作的。
Hawk是如何工作的？
还是以链家的二手房列表为例，链家的页面：
image.png
每页有30条数据，但一个城市最多只能显示100页。通过拼接URL最多也只能生成3000条数据。但是我们获取每个区县（如东城区，西城区）的地址，再通过每个区县获取其每个区域（如金融街，平安里）的地址和二手房数量，这样每个区域的数量就不超过3000条了，我们利用类目组合绕过100页的抓取限制，进而能获取当前城市全部的信息。
image.png
Hawk是通过多个模块组合而成的工作流系统，左侧显示了当前任务所需的所有步骤模块，点击任意步骤，Hawk就会跳到该步并预览结果，双击该模块，就能查看模块的配置。
etl.gif
在下方的调试栏中，还可以勾选“调试详情”，通过点击上一步和下一步，可单步调试，在下方的调试输出框中会显示当前模块的作用和参数。
如何保存全部数据
刚才是预览模式，为了保存全部数据，我们已经在模块列表的最下方拖入了写入数据表。其表名填的是链家北京二手房。
在数据清洗左侧的下方（保持默认参数，串行模式，延时值1000毫秒，否则会被封禁）点击执行即可，Hawk会自动分配线程池，开始抓取信息。
task.gif
抓取完毕后（大概需要50分钟），如果你想取消任务，在右下角的“线程管理器”上，在“链家在售串行任务”上点击右键，并点取消即可。
run.gif
最后，在导出的数据表上，右键点击另存为，导出到Excel即可。
获取租房信息？
很简单，点击任务列表中的链家租房即可。 其他操作和链家二手房是一致的。
你会发现，几乎所有的任务都依赖于一个“底层通用任务”，它抽象了二手房，租房，小区，新房的公共部分。Hawk使用子任务实现任务间的互相调用。这样可极大地节省设计所需的时间。
在不同的城市间切换？
沙漠君我不是北京的，我想看其他城市的！
我们回到Hawk首页，点击任务市场的参数设置。如下图：
左侧展示了当前系统全局的配置， 包括总的web请求数量等，右侧是当前工程的全局设置。 程序猿朋友们都知道，这就是全局参数嘛。我们在参数组选择的下拉菜单中，选择不同的城市，回到之前的数据清洗界面再次刷新，就会发现城市发生变化了！
这就是Hawk的全局参数配置系统，它通过yaml文件描述了一些键值对。在任务中，通过大括号，能够随时引用全局参数中配置的信息。例如，你可以在"底层通用任务"的第一个模块“从文本生成”中看到{city}，它代表读取全局配置中city的值。
param.gif
你也想设计这样的任务？
哈哈，我猜到了！Hawk内置了强大的文档系统。每个模块都有详细的使用介绍，并能在新手模式间切换。同时还能够自动生成帮助文档，在任何一个数据清洗的任务中，点击调试工具栏中的“问号”按钮，即可弹出当前任务手把手的教程，你只要按照他的步骤一步步操作即可！
doc.gif
除了直接看自动生成的帮助文档。可以阅读Hawk的教程，快速教程中提供了使用的简要说明，帮助你快速上手。而示例教程中，给出了几个经典例子的步骤。
结语
Hawk有太多强大的特性可以去讲，例如强大的手气不错功能和超级模式，但本文旨在介绍Hawk5更新的功能。如果你感兴趣，欢迎给本项目的GitHub点个star，并欢迎持续关注沙漠君的博客。如果你愿意给Hawk做出贡献，欢迎联系我！
