Wohnungssuche in Dresden: lernender Inserate-Filter mit lokalem LLM und eine Karte für die richtige Lage
Die Wohnungssuche in Dresden heißt: viele Portale, viele Inserate und viel Zeit für Angebote, die doch nicht passen. Ich habe mir ein System in Python gebaut, das Inserate aus mehreren Quellen zusammenführt, mit einem lokalen Sprachmodell gegen meine Kriterien prüft und in einer Swipe-Ansicht präsentiert. Dazu kommt eine öffentliche Karten-App, die zeigt, welche Gegenden einer Stadt die eigenen Lage-Kriterien erfüllen.
- Kategorie
- Automatisierung
- Kontext
- Privates Projekt, nur für den Eigengebrauch
- Rolle
- Alleinentwickler
- Tech-Stack
- PythonWeb ScrapingE-Mail-ParsingLokales LLMJavaScriptLeafletOpenStreetMapOverpass APIIndexedDB
- LLM-Bewertung ohne Cloud-API
- lokal
- Rasterauflösung der Lage-Karte
- 20 m
- Backend-Server für die Karte
- 0
Ausgangslage
Wer in Dresden eine Wohnung sucht, muss mehrere Immobilienportale parallel im Blick behalten. Die Standardfilter decken nur harte Kriterien wie Fläche und Miete ab. Ob ein Angebot wirklich passt, steht oft erst im Beschreibungstext, und das heißt: jedes Inserat einzeln öffnen und lesen.
Analyse & Vorgehen
Zuerst habe ich untersucht, welche Immobilienportale mit Angeboten für Dresden es gibt und bei welchen es überhaupt technisch möglich ist, Inserate automatisiert abzurufen. Wo das nicht direkt ging, habe ich einen anderen Weg gesucht: E-Mail-Benachrichtigungen der Portale, die sich automatisch auswerten lassen.
Lösung
- Datensammlung: Ein Scraper führt Inserate aus mehreren Quellen zusammen, von mehreren großen Immobilienportalen. Ergänzend werden Angebote per E-Mail-Parsing aus Benachrichtigungen ausgelesen.
- Klassische Filter: Quadratmeter, Kosten und weitere harte Kriterien.
- Bewertung durch ein lokales LLM: Ein lokal laufendes Sprachmodell liest die Inserate und prüft, welche Angebote zu meinen weicheren Kriterien passen, die in keinem Portalfilter vorkommen.
- Swipe-Ansicht: Passende Angebote erscheinen als Karten mit allen wichtigen Infos und dem Link zum Inserat. Mit Herz oder Kreuz bewerte ich sie, und auf Basis dieser Entscheidungen bestimmt das System, welche Wohnungen künftig gezeigt werden.
Das komplette System läuft in Python.
Ergänzend: eine Karte für die Frage „Wo will ich überhaupt wohnen?“
Im selben Zug habe ich eine interaktive Karte gebaut, die öffentlich erreichbar ist: wherecanilive.ptyulnev.de. Man legt fest, was man nicht in der Nähe haben will, zum Beispiel Straßenbahn, Bahnstrecke, Schule oder Bar, und was in der Nähe sein muss, etwa ein Supermarkt bestimmter Ketten oder ein Fitnessstudio. Die Karte färbt alle Gebiete grün, die sämtliche aktiven Kriterien erfüllen.
- Ohne Backend: Die OpenStreetMap-Daten lädt der Browser selbst über die Overpass-API und speichert sie 30 Tage in IndexedDB.
- Sofort reagierende Regler: Für jede Kategorie wird ein Entfernungsraster mit 20 m Auflösung über eine exakte euklidische Distanztransformation vorberechnet. Deshalb aktualisiert sich die Karte ohne Wartezeit, wenn man einen Abstand verstellt.
- Exakte Werte auf Klick: Für einen Punkt oder eine eingegebene Adresse werden die genauen Entfernungen zum jeweils nächsten Ort direkt aus der Geometrie berechnet.
- Funktioniert nicht nur für Dresden, sondern für jede Stadt oder jeden Kartenausschnitt bis 50 × 50 km.
Ergebnis
Statt Portale einzeln zu durchsuchen, bekomme ich eine vorsortierte, lernende Auswahl, und habe darüber schon eine ganze Reihe passender Wohnungen gefunden.
Das System nutze ich nur selbst. Öffentlich anbieten werde ich es nicht, weil die Rechenressourcen für die Modell-Auswertung bei vielen Nutzern zu teuer würden.
Die Karten-App ist öffentlich nutzbar: wherecanilive.ptyulnev.de.
Erkenntnisse
Ein lokales Sprachmodell eignet sich gut, um unstrukturierte Texte gegen persönliche Kriterien zu prüfen, ohne Daten an eine Cloud-API zu schicken. Die Kosten skalieren aber mit der Nutzung, und genau das entscheidet, ob aus einem persönlichen Werkzeug ein Produkt werden kann.