如何从Immobilienscout24爬虫中仅提取房屋室内面积数据？

当前代码抓取面积时会同时获取室内（Wohnfläche）和室外（Grundstücksfläche）面积，以下两种方法可以帮你只提取目标室内面积：

方法一：基于位置索引筛选（适配你描述的页面结构） #

如果室内面积确实出现在奇数位置（按你描述的数值列表顺序，对应Python的0-based奇数索引：1、3、5...），可以在遍历过程中通过索引判断是否处理当前面积：

def extract_information(soup):
    information = soup.find_all('dd', class_='font-highlight font-tabular')
    links = [info.find_previous('div', class_='grid-item').find('a')['href'] for info in information]

    # 加入索引记录，判断当前面积是否为室内面积
    for idx, (link, info) in enumerate(zip(links, information)):
        house_link = f"https://www.immobilienscout24.de{link}"
        text = info.getText().strip()
        try:
            if '€' in text:
                price = int(text.replace('€', '').replace('.', '').replace(',', '').strip())
            elif 'm²' in text:
                # 仅处理奇数索引的面积（若实际位置是偶数索引，改为idx % 2 == 0）
                if idx % 2 == 1:
                    square_meter_str = text.replace('m²', '').replace(',', '').strip()
                    
                    # 保留原有的千分位/小数点处理逻辑
                    if '.' in square_meter_str and square_meter_str.count('.') == 1:
                        square_meter_str = square_meter_str.replace('.', '')
                    elif '.' in square_meter_str and square_meter_str.count('.') > 1:
                        square_meter_str = square_meter_str.rsplit('.', 1)[0] + square_meter_str.rsplit('.', 1)[1].replace('.', '')
                    
                    square_meter = float(square_meter_str) if square_meter_str else 0.0
                    
                    if square_meter != 0:
                        price_per_square_meter = price / square_meter
                        if 2000 <= price_per_square_meter <= 3000:
                            house_data['House link'].append(house_link)
                            house_data['Price per square meter [€]'].append(price_per_square_meter)
        except Exception as e:
            print(f"处理出错: {str(e)}")

    return house_data

方法二：通过上下文标签判断（更稳定，不受页面结构变化影响） #

网页中每个面积对应的<dt>标签会标注面积类型（比如Wohnfläche代表室内面积），直接通过这个标签文本判断，比依赖位置更可靠：

def extract_information(soup):
    information = soup.find_all('dd', class_='font-highlight font-tabular')
    links = [info.find_previous('div', class_='grid-item').find('a')['href'] for info in information]

    for link, info in zip(links, information):
        house_link = f"https://www.immobilienscout24.de{link}"
        text = info.getText().strip()
        try:
            if '€' in text:
                price = int(text.replace('€', '').replace('.', '').replace(',', '').strip())
            elif 'm²' in text:
                # 获取面积类型标签，确认是否为室内面积
                area_type = info.find_previous('dt').getText().strip()
                if area_type == 'Wohnfläche':
                    square_meter_str = text.replace('m²', '').replace(',', '').strip()
                    
                    # 保留原有的千分位/小数点处理逻辑
                    if '.' in square_meter_str and square_meter_str.count('.') == 1:
                        square_meter_str = square_meter_str.replace('.', '')
                    elif '.' in square_meter_str and square_meter_str.count('.') > 1:
                        square_meter_str = square_meter_str.rsplit('.', 1)[0] + square_meter_str.rsplit('.', 1)[1].replace('.', '')
                    
                    square_meter = float(square_meter_str) if square_meter_str else 0.0
                    
                    if square_meter != 0:
                        price_per_square_meter = price / square_meter
                        if 2000 <= price_per_square_meter <= 3000:
                            house_data['House link'].append(house_link)
                            house_data['Price per square meter [€]'].append(price_per_square_meter)
        except Exception as e:
            print(f"处理出错: {str(e)}")

    return house_data

关键提示 #

• 方法一需要你确认室内面积的实际索引位置，若页面结构变化需调整判断条件；
• 方法二更推荐，因为面积类型的标签文本通常不会轻易修改，稳定性更强；
• 原代码的空except块已改为捕获具体异常并打印信息，方便排查问题。

内容的提问来源于stack exchange，提问作者NewUser