美国法拍房数据藏在3万个政府网站里，有人用Python把它扒干净

全美每年新增约30万套法拍房，但这些数据散落在3143个县的 Clerk 办公室网站里。有人想查隔壁街的违约记录，得先学会用1998年风格的网页表单——这相当于让 TikTok 用户去操作 DOS 系统。

一位开发者把这套流程写成了 Python 脚本。他的目标很明确：把「 County Clerk 网站（县书记官网站）」变成可编程的数据接口。

为什么法拍数据值钱？

法拍房（Foreclosure）是经济压力的领先指标。2008年金融危机前，内华达州和佛罗里达州的法拍申请量提前18个月飙升——比房价崩盘早了一年半。

对三类人这是金矿：

投资者：以低于市场价30-50%的价格收购

记者：追踪掠夺性贷款（Predatory Lending）的地理分布

研究者：验证「住房可负担性」政策的实际效果

问题在于数据主权。联邦政府只维护 HUD 的已上市房源，而「违约通知（Notice of Default）」——也就是最早的预警信号——归县级法院管。每个县的网站架构、更新频率、反爬策略都不一样。

拆解 HUD 官方数据源

美国住房与城市发展部（HUD）运营着 hudhomestore.gov，收录联邦政府持有的法拍房。这是唯一结构化的入口，但只覆盖已走完流程、进入公开销售的房源。

开发者用 ScraperAPI 绕过反爬，核心逻辑很直接：

POST 请求到 PropertySearchResult 端点，参数包括州、城市、邮编。返回的 HTML 用 BeautifulSoup 解析，提取地址、价格、状态三个字段。

代码里留了三个 CSS 选择器兜底：`.property-listing`、`.listing-row`、`tr`。这是因为 HUD 网站改版过至少两次，旧版用表格布局，新版用了 div 卡片。

一个细节：价格字段可能为空。开发者在解析时做了容错，返回 "N/A" 而不是抛异常——这对批量跑 50 个州的脚本很重要。

县级法院：真正的战场

CountyRecordsScraper 类面对的是更混乱的现实。县级网站技术栈跨度极大：有的用 2003 年的 ASP.NET，有的用现代的 React 但做了服务端渲染，还有的直接把 PDF 扫描件传上去。

开发者的策略是「表格优先」。遍历所有 `

反爬对抗是日常。ScraperAPI 的 `render=true` 参数启用无头浏览器，处理 JavaScript 渲染的页面。超时设为 60 秒，因为某些县的服务器响应速度堪比拨号上网。

一个未完成的代码片段显示，开发者计划提取 `case_number`、`filing_date`、`plaintiff`、`defendant`、`property_address` 五个字段。但县级数据的质量参差不齐：有些县把地址藏在 PDF 附件里，有些县用缩写代指房产（如「LOT 17, BLOCK 3, SUNSET ESTATES」），需要额外调用地理编码 API 才能定位。

这套系统的价值不在于技术复杂度，而在于「时间差」。当违约通知出现在县法院网站，到 Zillow 更新房源状态，中间有 30-90 天的窗口期。抢先一步意味着避开竞价。

但法律风险真实存在。加州反爬虫法（CFAA 相关判例）和各县的服务条款（ToS）构成灰色地带。2022 年 hiQ Labs 诉 LinkedIn 案确立了「公开数据可爬」的原则，但法拍数据涉及个人财务困境，隐私诉讼的风险高于普通房产数据。

开发者在代码注释里留了免责声明的占位符，但没写具体措辞。

这个原型展示了最小可行架构：HUD 作为基准数据源，县级爬虫作为增量补充，ScraperAPI 作为基础设施层。要变成商用产品，还需要：

地址标准化（USPS API 或 Libpostal）

去重引擎（同一房产可能在 HUD 和县记录里各出现一次）

变更检测（监控特定房产的状态流转）

合规层（各州法拍通知期的法律差异）

最后一个代码片段停在 `cells[0].get_text(strip=True)`——案号提取完成，但 `filing_date` 的解析逻辑还没写。这很像产品经理的草稿：核心路径通了，边缘情况留给下一个 Sprint。

GitHub 上类似的法拍爬虫项目，Star 数通常在 200-800 之间。这个区间的项目有个共同点：代码能跑，但文档写着「你需要自己搞清楚每个县的网站结构」。换句话说，这是套需要人工维护的自动化系统——技术解决了 80% 的问题，剩下 20% 是体力活。

如果要把这套脚本变成月付 99 美元的 SaaS，你愿意为哪个功能买单：是「自动适配新县网站」的机器学习模块，还是「7×24 小时监控特定街区」的告警系统？

` 标签，跳过表头，取第 0 列作为案号、第 3 列作为当事人——这基于一个观察：美国法院系统的表格结构比 CSS 类名更稳定。

信息套利的边界

从脚本到产品