一块钱起拍的房子，水有多深？

ゝ一世哀愁。 2022-09-09 06:11 120阅读 0赞

![410cee5491e334d695f7a2f9a8e10a56.gif][]

大家好，我是小五????

房子真实太太贵了！！！

于是最近我瞄上了“法拍房”！正巧小伙伴`Seon塞翁`也在研究这个，今天就数据分析一波。

![14340559a5d76969434bdc97069cab8a.png][]

百度百科的定义：法拍房即“法院拍卖房产”，是被法院强制执行拍卖的房屋。当债务人（业主）无力履行借款合约或无法清偿债务时，而被债权人经司法程序向法院申请强制执行，将债务人名下房屋拍卖，以拍卖所得案款偿还债权。而在过程中进行拍卖的房子就是法拍房。

不过水太深，如果大家真的感兴趣，建议先看看知乎的问题：**法拍房最大的坑究竟是什么？***https://www.zhihu.com/question/336414516/answer/1062834894*

本文为数据采集和分析的综合练习，仅供学习参考，勿作他用！

首先来看一下数据需求：

1、进入到住宅用房拍卖页面，以杭州市数据为例；

![4b2b965554d131429057a58a94cf2637.png][]

2、需要将发布的所有杭州市法拍房的信息整理至 EXCEL 表格中；

![ef74f9505e10104ceda12980978864f0.png][]

3、部分需求字段在页面中的位置：

![18e1fad54dd888956abc8951ef3775e3.png][]

事不宜迟，开工！

## 一、爬虫篇 ##

如果对爬虫不感兴趣，可以下划几页，直接跳跃到分析篇。

### 1、查询页 ###

**1.1、分析网页结构**

通过观察可以发现，每页 40 条记录，最大 150 页，也就是说从基本页最多只能获取到 6000 条记录，而杭州市记录总量有 2 万余条。

![d373705e9b58f5ab2d1e880820dfc582.png][]

但杭州市各区的数据都不超过 6000 条，因此我们可以分区爬取数据。

![946d3eda3bb5504645412a9a04a55a60.png][]

接着，在开发者模式下不难找到所需数据的出处。

![cc4f572647c738f0de07fa02ba87de3e.png][]

我们只需要修改请求连接中的 page 值就可以实现翻页爬取。

![6f62ec576389019f800cd2bbba2b7f54.png][]

**1.2、请求与解析**

下面开始编写请求代码，很轻松就能获取到查询页的响应内容。

def search_response(p):  # 爬取查询到的一页数据
        url = f'https://sf.taobao.com/item_list.htm?spm=a213w.7398504.filter.50.70c67db6iX3uXM&location_code=330103&category=50025969&auction_source=0&city=&province=&st_param=-1&auction_start_seg=-1&page={p}'
        headers = {
            'cookie': cookie,
            'user-agent': "Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
        }
        res = requests.get(url, headers=headers)
        return res.text

根据网页源码分析，已知查询页的数据是嵌套的 json 列表，储存在 `id="sf-item-list-data"` 的 script 标签中，笔者采用美丽汤（beautifulsoup）进行解析，该解析器对 HTML 页面相性优异，如果不熟悉万能的正则表达式，推荐尝试。

def analyze(response):  # 解析查询页
        soup = BeautifulSoup(response, "html.parser")
        script_data = soup.find('script', {'id': 'sf-item-list-data'}).get_text()
        json_data = json.loads(script_data)
        json_dic_lst = json_data['data']
        total = pd.DataFrame()
        for dic in json_dic_lst:
            df = pd.DataFrame({
                'id': [dic['id']],
                'itemUrl': [dic['itemUrl']],
                'title': [dic['title']],
            })
            total = total.append(df)
        return total

最终将各区查询页汇总整理如下，id 为每条房产记录的识别号，用于在最后连接查询页与详情页。

![a3adcdfc22db79bbd1cc7f8f91a7b858.png][]

### 2、详情页 ###

**2.1、关于反爬**

详情页（初步的）请求头参数也比较简单，请求地址即是查询页中的 `itemUrl`，从中可以截取出 track\_id 参数。但详情页的反爬比较强烈，笔者采用多 user-agent 与 cookie 的方式来尝试规避，效果仍不够理想，且 cookie 池需要多个账号，之后又增加了代理 IP 池。

ua_lst = ["Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0",
              "Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14",
              "Mozilla/5.0 (Windows NT 6.0; rv:2.0) Gecko/20100101 Firefox/4.0 Opera 12.14",
             ]
            
    cookie_lst = [cookie_1, cookie_2, cookie_3, ...]
        
    headers = {
                'cookie': random.choice(cookie_lst ),
                'user-agent': random.choice(ua_lst ),
                'accept-encoding': 'gzip, deflate, br',
                'accept-language': 'zh-CN,zh;q=0.9',
                'referer': 'https://sf.taobao.com/item_list.htm?spm=a213w.7398504.filter.49.62a854b3DbBPQy&location_code=330102&category=50025969&auction_source=0&city=&province=&st_param=-1&auction_start_seg=-1',
                'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
                'authority': 'sf-item.taobao.com',
                'upgrade-insecure-requests': '1',
                'Connection': 'keep-alive'
              }
    
    params = {
            'spm': 'a213w.7398504.filter.49.62a854b3DbBPQy',
            'track_id': f'{track_id}'
             }
       
    proxies = {
               'http': random.choice(http_lst)
              }

此外，在每次请求后随机睡眠也有助于减少被制裁的频率。

res = requests.get(url, headers=headers, params=params, proxies=proxies).text
    df = detail_analyze(res, headers)  # 相应内容解析函数
    sleep(random.choice([0.6, 0.8, 1, 1.2, 1.4, 1.6, 1.8, 2, 2.2, 2.4, 2.6, 2.8, 3]))

**2.2、直观数据解析**

下面根据需求字段来解析详情页的响应内容，大部分数据可在同一个响应内容中直接获取。

soup = BeautifulSoup(response, "html.parser")  # 创建解析器
    item_id = soup.find('input', {'id': 'J_ItemId'})['value']  # 与查询页对应的id
    item_status = soup.find('span', {'class': 'item-status'}).text  # 拍卖次数
    price = soup.find('span', {'class': 'pm-current-price J_Price'}).text  # 当前价格
    first_person = soup.find('span', {'class': 'pay-mark i-b pay-first'}).find_next_sibling().text  # 优先人
    delayed = soup.find('span', {'class': 'pay-mark J_Delay i-b'}).find_next_sibling().text  # 延时周期
    timeTitle = soup.find('span', {'class': 'title J_TimeTitle'})  # 拍卖状态
    timeLeft = soup.find('span', {'class': 'countdown J_TimeLeft'}).text  # 拍卖时间
    baoming = soup.find('em', {'class': 'J_Applyer'}).text  # 报名人数
    weiguan = soup.find('em', {'id': 'J_Looker'}).text  # 围观次数
    announcement = soup.find('span', {'class': 'unit-txt unit-name item-announcement'}).find('a').next.strip()  # 处置单位

保证金、评估价、起拍价、加价幅度、竞价周期这 5 个数据比较奇葩，它们无法靠唯一的 class 或 id 属性来定位。

![4472be315ef85270b62c4e04c3c37766.png][]

直接根据 `class="pay-mark i-b"` 把相关内容全都拿出来，发现不同类型/状态的房产详情页中，（至少）有 5 种情形（数据项不一致，且显示位置发生改变），如果要用索引从 Info\_lst 中获取出对应的数据，还要需要写多个条件判断，比较繁琐。也可以根据价格之间的大小逻辑关系进行处理。

for el in soup.findAll('span', {'class': 'pay-mark i-b'}):
        info_lst.append(el.find_next_sibling().text)
       
    ''' 案例 id
    523179234073 [': ¥200,000 ', ': ¥1,339,200', ': 1天', ': ¥1,180,000 ', ': ¥10,000']
    549054948095 [': ¥1,500,000 ', ': ¥50,000', ': 1天', ': ¥8,445,314 ']
    641874486020 [': ¥500,000 ', ': ¥10,000,000 ', ': 1天', ': 清算', ': ¥10,000']
    618911620314 [': ¥110,000 ', ': ¥868,000', ': ¥555,520 ', ': 清算', ': ¥10,000', ': 1天']
    559641084121 [': ¥5,548,800 ', ': ¥30,000', ': 60天', ': ¥960,000 ', ': ¥9,600,000', ': ¥5,548,800 ']
    '''

**2.3、待加载数据获取与解析**

标的物介绍和竞买公告是动态加载的，其加载的数据源地址直接就写在了源码中，再度爬取一波即可，这也是详情页的整体解析函数 `detail_analyze(res, headers)` 中还需传入 headers 的原因。

![dfcd795fd12bcb4dcbc48da62db06d7b.png][] ![ff7b689e2a84e1d91b98f7dd8a4ba4b0.png][]

# 标的物介绍部分
    introduce_url = soup.find('div', {'id': 'J_desc'})['data-from']
    introduce_res = requests.get(introduce_url if 'https:' in introduce_url else 'https:' + introduce_url, headers=headers)
    introduce = BeautifulSoup(introduce_res.text, "html.parser").get_text()  # 标的物介绍整体内容
    
    # 竞买公告部分
    noticeDetail_url = soup.find('div', {'id': 'J_NoticeDetail'})['data-from']
    noticeDetail_res = requests.get('https:' + noticeDetail_url, headers=headers)
    noticeDetail_content = notice_analyze(noticeDetail_res.text)  #公告整体内容

**2.4、jsonp 跨域数据获取与解析**

继续解决还未获取到的信息吧！首先是提醒人数，发现它在源码中显示为 0，但显示在页面同一区域的报名人数和围观次数却是直接加载的，推测 tb 这样设计是因为用户设置提醒的操作较为频繁，也就是这个数据会经常变化，所以将它存放在其他地方，便于实时读取最新数值。可是，它却没有像标的物介绍那样摆明资源地址，那它究竟藏在哪呢？

![3e02b4637194a4201ba77e8af2dad91f.png][]

在请求文件列表中探索后发现，有多个 get 开头的文件，可想而知这些文件与动态数据有所关联。最后定位到如下文件，找到了我们需要的信息，看上去像是 json 格式，但 jsonp 是什么？

![190a1ec7366c65eb5ec925155cf5cdd8.png][]

以下摘自百度百科，简而言之 jsonp 就是一种跨域获取 json 数据的方法，感兴趣的童鞋可以深入研究，自己实现一个 jsonp 案例。

> JSONP(JSON with Padding)是JSON的一种“使用模式”，可用于解决主流浏览器的跨域数据访问的问题。由于同源策略，一般来说位于 server1.example.com 的网页无法与不是 server1.example.com的服务器沟通，而 HTML 的 script 元素是一个例外。利用  script  元素的这个开放策略，网页可以得到从其他来源动态产生的 JSON 资料，而这种使用模式就是所谓的 JSONP。

那么回到爬虫，该爬的数据还是一样的道理，找到要请求的地址，冲就完事儿了。乍一看，参数构造有点复杂，但里面还是有我们熟悉的部分，`itemIds` 就是前文所述的记录 id，`ksTs` 这一串数字想必和时间戳有关，`callback` 是 `ksTs` 尾部值 +1。

![1099499fc38245e575effe4ae1386069.png][]

进一步分析发现规律后，编写构造代码，如此即可获取到 jsonp 回调的内容。

t_list = str(time()).split(".")
    ksts = t_list[0] + t_list[1][:3] + "_" + t_list[1][3:]
    call = str(int(t_list[1][3:]) + 1)
    jsonp_url = f'https://paimai.taobao.com/json/getSubscribersNum?itemIds={itemId}&_ksTS={ksts}&callback=jsonp{call}'
    
    jsonp_headers = {
            'cookie': random.choice(cookie_lst),
            'user-agent': random.choice(ua_lst),
            'referer': 'https://sf-item.taobao.com/',
            'accept-encoding': 'gzip, deflate, br',
            'accept-language': 'zh-CN,zh;q=0.9',
        }
    
    jsonp_params = {
            '_ksTS': ksts,
            'callback': call,
            'itemId': itemId
        }
    
    jsonp_res = requests.get(jsonp_url, headers=jsonp_headers, params=jsonp_params).text

还有竞价记录等与设置提醒人数类似，不做赘述。

![e765a69e1870269aca5b55d026774b22.png][]

**2.5、附件下载**

最后我们要实现的是附件下载。

![1347e742c98945fd87bb5a7fad7c615f.png][]

英雄不问出处，数据要问，我们可以在 `data-from` 属性中发现一个地址，是否就是附件链接呢？

![e9f304fec18941764de4aa7ebe445d30.png][]

请求后返回的是附件文件名和附件 id，不要着急，再找找真正的下载链接。

> null(\[\{"title":"H0578-杭州市上城区郡亭公寓3幢207室-结果.doc","id":"7LI2A72GS4WEW","fileType":0\}\]);

常识往往容易被忽视，其实直接右键即可得知下载链接。

![099cd8ad68bedce95fc54821d84955b7.png][]

再观察一下附件 id 与其下载链接的关系，构造得到下载链接的列表，通过 get 请求就可得到文件流，按照对应的附件文件名，以二进制写入文件即可实现下载。

soup = BeautifulSoup(res, "html.parser")
    download_url = soup.find('p', {'id': 'J_DownLoadFirst'})['data-from']
    _res = requests.get('https:' + download_url ).text
    file_lst = re.findall(r'"title":"(.*?)",', _res)
    file_ids = re.findall(r'"id":"(.*?)"', _res)
    spm = soup.find('body')['data-spm']
    links = [f'https://sf.taobao.com/download_attach.do?spm=a213w.{spm}.tabs.8.6ea0294bWdhxUM&attach_id={id}' for id in file_ids]
    
    for filename, link in list(zip(file_lst, links)):
            file = requests.get(link, headers=headers)
            with open(filename, 'wb') as f:
                f.write(file.content)

## 二、分析篇 ##

笔者将通过回答以下问题，对所爬数据进行一次简单的数据分析，限于篇幅，直接呈现分析结果。

### 1、杭州哪里有法拍房，有多少？ ###

截至2021年6月30日，在阿里拍卖平台中，杭州市共有24064套法拍房，分布在全市13个区域（其它为郊区、景区及行政规划调整的区域等），余杭、萧山、淳安等3个区域的法拍房合计占比约 4 成。

![adf3db4602b24df95ec56fde531b176e.png][]

此外，各区法拍房数量排名与其GDP、常住人口数排名均无明显相关性，法拍房在上述三区相对集中或许有其他原因，可尝试从来源角度进一步对各区分析，找到影响法拍房分布的因素。

> 法拍房，即是法院依法拍卖的房产，其来源主要为：①借贷抵债、②司法没收、③无主（如凶宅）。

### 2、拍的都是什么样的房子？ ###

根据竞买公告中的描述，杭州市绝大部分的法拍房为公寓，部分附带车位、家具、家电等。

![0c196300ac2d2ecb37aeb3b86f4319d8.png][]

但似乎也存在一些非住宅，如厂房，说明 tb 的住宅用房拍卖品类中，不全是住宅（搞事情吗）。

![81ccf9bbbd7e415c2f060aaa488c99e2.png][]

从房产的面积区间，也可以一窥究竟。分析杭州市的法拍房面积发现，超过 7 成小于 200 平方米，可以认为是住宅；约 2 成在 200~1000 平方米之间，推测为豪宅或店面、厂房等；而还有 4% 竟然超过 1000 平方米，其中更是有数万坪的级别，推测为商业用地，如企业住所。由此看来，法拍房的选择还是多样的。

![7e5deafa67e41f199764b0168c5e980f.png][]

### 3、拍卖热度如何？ ###

99%以上的拍卖竞价周期为1天，而在有竞价记录的拍卖中，近五成是未经过延时或延时一个小时以内的，说明大部分拍卖都是速战速决。

![2098e147f133b6684b45dd64e142955a.png][]

约四成拍卖的互相竞价超过10次，约两成互相竞价超过50次，约一成互相竞价超过100次，可见竞争还是比较激烈的。

![5c9425d5239694248e88d2dbf03625f5.png][]

### 4、有多少人关注，有多少人参与？ ###

面对超过 2.4 万套房产的拍卖，报名总人数（次）高达 11.2 万，设置提醒总人数（次）高达 332.2万，围观总次数更是接近 2.5 亿！仅仅一座城市就如此，法拍房的流量可见一斑。

绝大多数房产的拍卖报名人数都不超过 50 人，但设置提醒人数在 100 人以上的房产还是有超过 9000 套的，且围观次数在 10000 次以上的房产也有超过 9000 套，看来除了有直接报名参与竞拍的土豪外，还有不少蠢蠢欲动的资本家 吃瓜群众。

![de1ce795b78048dff38edce9d4ebe692.png][]

我们可以看到有一套房产的报名人数高达 121 人，是什么样的房子这么抢手？

进一步探究发现，竟然是一套新中国成立之前就建成的老屋，只有不到 40 坪的大小，评估价 29 万元，最终拍出了 130.8 万的高价。

通过全景地图在该位置附近观察，却已找不到符合描述的房子，真是一个谜呀（难道是名人故居？）。

![6ef8b7970829260dc40e8d32f6f8daa2.png][]

### 5、法拍房真的有市场吗，值钱吗？ ###

虽然各区最终的拍卖成交价各不相同，但全市平均起拍价只有市场价的大约二分之一！这在一定程度上意味着，如果没有人和你抢，你就相当于是能以五折买一套房，也难怪有这么多人有大胆的想法了。但从拍卖成交情况来看，购房者可能还是以投资为目的居多，不贪便宜，而追求好地段。

![cf5e90b5c753d22b79ec1e04315f8f3a.png][]

### 6、我还有机会吗？ ###

有，但不完全有。

战局瞬息万变，截至本文发布，杭州法拍房数量已达 2.9 万，其中的拍卖状态想必也已经与爬取数据时大有不同，机会与风险，始终都在（ **购房需谨慎，本分析不构成任何投资意见！**）。

### 7、动态可视化 ###

最后，用动态可视化回顾一下吧！

![37fc22815966bcb8761f28462f465696.gif][]

## 后话：定时邮件提醒 ##

为了尽可能稳定获取数据，在随机睡眠的情况下每小时可获取 300~400 条记录，爬完所有数据就需要连续作业超过 80 个小时！

由于笔者上班时没有外网，就只能把爬虫挂在家里运行，但在办公室又会分心想着程序的运行情况，那么要如何远程关注爬取过程呢？

笔者采取的是定时发送邮件的方式，来通知自己爬虫的进度。以下为发送纯文本邮件的方法：

import smtplib
    from email.mime.text import MIMEText
    from email.mime.multipart import MIMEMultipart
    from email.header import Header
    
    
    def send(body_content):
        # SMTP服务器，使用qq邮箱
        mail_host = "smtp.qq.com"
        # 发件人邮箱
        mail_sender = "XXXXXXXX@qq.com"
        # 邮箱授权码, 获取方式见所选邮箱的设置页面
        mail_license = "***********"
        # 收件人邮箱，可以为多个收件人
        mail_receivers = ["XXXXXXXX@qq.com"]
        # 构造邮件对象
        mm = MIMEMultipart('related')
        # 邮件主题
        subject_content = """爬虫进度反馈"""
        # 设置发送者,注意严格遵守格式,里面邮箱为发件人邮箱
        mm["From"] = "sender_name<XXXXXXXX@qq.com>"
        # 设置接受者,注意严格遵守格式,里面邮箱为接受者邮箱
        mm["To"] = "receiver_1_name<XXXXXXXX@qq.com>"
        # 设置邮件主题
        mm["Subject"] = Header(subject_content, 'utf-8')
        # 邮件正文内容
        # 构造文本,参数1：正文内容，参数2：文本格式，参数3：编码方式
        message_text = MIMEText(body_content, "plain", "utf-8")
        # 向MIMEMultipart对象中添加文本对象
        mm.attach(message_text)
        # 创建SMTP对象
        stp = smtplib.SMTP()
        # 设置发件人邮箱的域名和端口，端口地址为25
        stp.connect(mail_host, 25)
        # 登录邮箱，传递参数1：邮箱地址，参数2：邮箱授权码
        stp.login(mail_sender, mail_license)
        # 发送邮件，传递参数1：发件人邮箱地址，参数2：收件人邮箱地址，参数3：把邮件内容格式改为str
        stp.sendmail(mail_sender, mail_receivers, mm.as_string())
        # 关闭SMTP对象
        stp.quit()

持续运行爬虫与定时邮件提醒进度的核心方法如下，省略了异常处理和保存的逻辑：

flag_time = datetime(2021, 6, 30, 9, 00, 00)  # 定时邮件起始时间
    while True:
     origin = pd.read_excel("剩余url.xlsx")
        url_lst = origin['itemUrl'].to_list()
        finish_count = 0
        
        for url in url_lst:
            run(url)  # 爬虫与解析逻辑，略
            finish_count += 1
            url_lst.remove(url)  # 删除成功爬取的详情页链接
            
        origin = origin.iloc[finish_count: ]
        origin.to_excel("剩余url.xlsx", index=False)
        
        now = datetime.now().hour
            if now==flag_time.hour:
                send(f"剩余{len(url_lst)}个未爬")  # 发送邮件
                flag_time = flag_time + timedelta(hours=1)  # 更新下一次发送的时间
    
        if len(url_lst) == 0:
            break

效果如下所示，嗯，这下可以专心打工了。

![59325803670ce32b17e2393355a1654c.png][]

以上就是分享的全部内容啦。

这里是鸽子放生爱好者，Seon塞翁，我们下一篇再见（咕咕)！~

## 最近有啥书？ ##

深入浅出数据分析：以类似“章回小说”的活泼形式，生动地向读者展现出色的数据分析人员应知应会的技术：数据分析基本步骤、实验方法、优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧；正文之后，意犹未尽地以三篇附录介绍数据分析十大要务、R工具及ToolPak工具，在充分展现目标知识以外，为读者搭建了走向深入研究的桥梁。点击即可查看详情！????

**![a57f5be046d41d8c13b8663d91494cb2.png][]**

![0afc1e3e777367dc3135e8720c704ef2.gif][]

点击这里，阅读更多数据文章！

[410cee5491e334d695f7a2f9a8e10a56.gif]: /images/20220829/92999d7476bb47a59b38cf7b6c94e660.png
[14340559a5d76969434bdc97069cab8a.png]: /images/20220829/68ec673c2e11492b8cdbb435a6a5b7b8.png
[4b2b965554d131429057a58a94cf2637.png]: /images/20220829/862d9face13a4927bcb0fa15bb2070b2.png
[ef74f9505e10104ceda12980978864f0.png]: /images/20220829/6acbcdd5e6f942fd9482898592f62fc2.png
[18e1fad54dd888956abc8951ef3775e3.png]: /images/20220829/f669c9ef88c540a68948348071e748e6.png
[d373705e9b58f5ab2d1e880820dfc582.png]: /images/20220829/f6abb8b02e6d4dbdb1994781edc408c7.png
[946d3eda3bb5504645412a9a04a55a60.png]: /images/20220829/ee8f5cef908f492bae3901ff4eedb7bd.png
[cc4f572647c738f0de07fa02ba87de3e.png]: /images/20220829/bf910d66dd8145fc81b49bc7c1f0b324.png
[6f62ec576389019f800cd2bbba2b7f54.png]: /images/20220829/6af0fb80a9af48719fea2836ed199c87.png
[a3adcdfc22db79bbd1cc7f8f91a7b858.png]: /images/20220829/a3fe5d616d544a0aaf452a521f71f5a9.png
[4472be315ef85270b62c4e04c3c37766.png]: /images/20220829/c2e23298858049f1aed4f0490de84a2f.png
[dfcd795fd12bcb4dcbc48da62db06d7b.png]: https://img-blog.csdnimg.cn/img_convert/dfcd795fd12bcb4dcbc48da62db06d7b.png
[ff7b689e2a84e1d91b98f7dd8a4ba4b0.png]: /images/20220829/0be759698bec42fb943da4edda3e5624.png
[3e02b4637194a4201ba77e8af2dad91f.png]: /images/20220829/d9f089efea3142c6ad830d9f7d643f35.png
[190a1ec7366c65eb5ec925155cf5cdd8.png]: /images/20220829/b543e888c41443f18ae4155c9239a081.png
[1099499fc38245e575effe4ae1386069.png]: /images/20220829/0cd625528f894ab9a25eec6d6113bcba.png
[e765a69e1870269aca5b55d026774b22.png]: /images/20220829/786e842e3b1b4fe3954764e389fb215a.png
[1347e742c98945fd87bb5a7fad7c615f.png]: /images/20220829/62a7093099004576bd36df4841acd132.png
[e9f304fec18941764de4aa7ebe445d30.png]: /images/20220829/c001a7b50bd94eeba60eb18b8cc89350.png
[099cd8ad68bedce95fc54821d84955b7.png]: /images/20220829/98d3148bd7e34278ba8c816435f202c3.png
[adf3db4602b24df95ec56fde531b176e.png]: /images/20220829/09b9b6d917394e6dafae930d6507c47d.png
[0c196300ac2d2ecb37aeb3b86f4319d8.png]: /images/20220829/354452e4df8648c78cc7a39268a92a70.png
[81ccf9bbbd7e415c2f060aaa488c99e2.png]: /images/20220829/89d4181353d44b238e8f268aab1cbe39.png
[7e5deafa67e41f199764b0168c5e980f.png]: /images/20220829/b3c025510f1e436fadaeb38c215bed47.png
[2098e147f133b6684b45dd64e142955a.png]: /images/20220829/5ac124d01c694d97b83c7b0aedfa60bb.png
[5c9425d5239694248e88d2dbf03625f5.png]: /images/20220829/bbe7e7a541dd47e9b0df314b865217ff.png
[de1ce795b78048dff38edce9d4ebe692.png]: /images/20220829/9e7c83d6d17b424d99c6a0684d691898.png
[6ef8b7970829260dc40e8d32f6f8daa2.png]: /images/20220829/30f310548f5c461ab3c1823de29704fc.png
[cf5e90b5c753d22b79ec1e04315f8f3a.png]: /images/20220829/4e9734c08a7a448a832cc325bac4f008.png
[37fc22815966bcb8761f28462f465696.gif]: /images/20220829/6087b2aee4654f93975b06555e679e19.png
[59325803670ce32b17e2393355a1654c.png]: /images/20220829/81738d89abf94cfc95e3226a45f30d7e.png
[a57f5be046d41d8c13b8663d91494cb2.png]: /images/20220829/c5eb195e69f24fc590aed649db3b5e03.png
[0afc1e3e777367dc3135e8720c704ef2.gif]: /images/20220829/458e423d6225463d9af9a856a9cab5d5.png