【python爬虫专项（10）】去哪儿网景点数据采集

以上海旅游景点数据为例参考网址：上海旅游景点爬虫逻辑：【分页网页url采集】-【数据采集】还是按照爬虫逻辑二进行获取数据函数1：get_urls(city,n) → 【分页网页url采集】 city：城市对应的编码 n：页数参数&n...

百木从森

8214人浏览 · 2020-02-09 14:10:32

百木从森 · 2020-02-09 14:10:32 发布

以上海旅游景点数据为例

参考网址：上海旅游景点
在这里插入图片描述

爬虫逻辑：【分页网页url采集】-【数据采集】

还是按照爬虫逻辑二进行获取数据

函数1：get_urls(city,n) → 【分页网页url采集】
      city：城市对应的编码
      n：页数参数
      结果：得到一个分页网页的list

函数2：get_data(ui,d_h,d_c) → 【数据采集】
      ui：数据信息网页
      d_h：user-agent信息
      d_c：cookies信息
      结果：得到数据的list，每条数据用dict存储

采集字段

景点名称、评分、排名、简介、攻略提到数量、点评数量、多少比例驴友来过、经纬度
在这里插入图片描述

要求

采集200条数据

      20页【分页网页url采集】- 每页10条数据
      结果保存为dataframe，并做基本数据清洗
      经度、纬度、攻略提到数量、点评数量 → 数据格式转换
      评分
      排名
      多少比例驴友来过

查找url规律

去哪儿网上海旅游景点前2-4页的url如下

u2 = https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-2
u3 = https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-3
u4 = https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-4
......

由上可以推知，url规律是将网址最后面的数值进行修改，查看每页的数据，可知一个url里面包含了10条数据，因此就可以构建前20页全部url，第一页的规律一般默认是数字从0开始的（但是这里的是从1开始的）

urllst = []
	for i in range(20):
		ui = "https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-{}".format(i+1)
		urllst.append(ui)

由此，前20个url的信息就已经全部构造完成

导入相关库和封装第一个函数

import requests 
from bs4 import BeautifulSoup
import pandas as pd


def get_url(n):
	'''
	【分页网址url采集】函数
	n：页数参数
	结果：得到一个分页网页的list
	'''
	lst = []
	for i in range(n):
		ui = "https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-{}".format(i+1)
		lst.append(ui)
	return lst

print(get_url(10))

输出的结果为：
在这里插入图片描述

设置headers和cookies

由于不是在爬豆瓣的数据（cookies改变了），需要登录一下去哪儿网，没有用户的可以注册一下，然后按照之前的步骤获取headers和cookies
在这里插入图片描述
将headers和cookies以字典的方式存储

dic_heders = {
       'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
    }
dic_cookies = {}
cookies = 'QN1=dXrgj14+tmYQhFxKE9ekAg==; QN205=organic; QN277=organic; QN269=506F28C14A7611EAA0BEFA163E244083; _i=RBTKSRDqFhTQT5KRlx-P1H78agxx; fid=7cc3c3d9-3f6c-45e1-8cef-3384cd5da577; Hm_lvt_c56a2b5278263aa647778d304009eafc=1581168271,1581220912; viewpoi=7564992|709275; viewdist=299878-7; uld=1-299878-8-1581221233|1-1062172-1-1581168529; QN267=1679639433d5aedfc8; Hm_lpvt_c56a2b5278263aa647778d304009eafc=1581221236; QN25=cb06bfbd-d687-4072-98c5-73266b637a6a-9f992f90; QN42=nvxp8441; _q=U.qunar_lbs_428305502; _t=26463150; csrfToken=oXYBnhSoGAGxggRkzmAjbxxGrpgsjUqQ; _s=s_ZBWFJO3EEGZISWS35EBIS5NQYA; _v=YTRjW_H5L47nGNVabvTLt1mlh7j8R7t4UNDVRrJUz0wScfLMWgSvkwQbzMLHlFbsvTU-2kJrBK74NUyOi3MX_3obY94Hhhugt8bv8ILxwsWDv4s_ANNiM8qRdg6HlBrrCEnGYr8lxS9uv78zDCNKz9pFbN8JPYy-AKJP6xILIsT7; _vi=4ONQzvfOOhwJECN5R-4rfWZDzlQ5-qv2xi_jsp1INPEpy9iKHa5gV0gHc35fDfTDe3TjcKteU7ZWk1vd6MsIqTfXYyUh3gTwZJ_9z3PEpkXZReeeIjaVE4HwLTkOATLIzIxg92s-QCWKE1RdNlaZsxPnfN7NHPGAZz5rsmxvpNDY; QN44=qunar_lbs_428305502; QN48=tc_a7fe4861b2d918df_17028369fc8_67ab; QN271=1749d44a-1a11-4886-be27-c3e3bfdadb0c'
cookies_lst = cookies.split("; ")
for i in cookies_lst:
	dic_cookies[i.split("=")[0]] = i.split("=")[1]

请求网页信息和网页解析

urllst_1 = get_url(10)
u1 = urllst_1[0]

r1 = requests.get(u1, headers= dic_heders, cookies = dic_cookies)
print(r1)

输出的结果为：
在这里插入图片描述
说明网址可以正常访问，下面就进行网页的解析，在浏览器中该页面右键点击检查，可以发现，整个旅游景点的信息都包含在【ul class=“list_item clrfix”】的标签里面，其中每条数据都在【li】标签下，而且每条标签上还有这个景点的经纬度信息（data-lat=“31.146751”，data-lng=“121.669396”）
在这里插入图片描述
因此，可以选择获取某一个旅游景点数据进行试错（一般是选取第一个元素）

urllst_1 = get_url(10)
u1 = urllst_1[0]

r1 = requests.get(u1, headers= dic_heders, cookies = dic_cookies)
soup_i = BeautifulSoup(r1.text,'lxml')
ul = soup_i.find("ul",class_="list_item clrfix")
lis = ul.find_all('li')
li_0 = lis[0]

print(li_0)

输出的结果如下：（可以正常的获取该标签下的旅游景点的信息，下一步就是解析具体标签获取相应的数据）
在这里插入图片描述
已经可以获取每个旅游景点的对应标签的全部数据，那么接下来就可以有针对性的获取我们所需要的数据，依次找到各个数据对应的标签

1）景点名称
在这里插入图片描述
2）攻略数量

3）评分

4）简介

5）排名

6）经纬度

7）点评数量

8）多少驴友来过

至此所需数据所对应的标签全部找到，但是需要注意，在获取‘排名’和‘多少驴友来过’这两个标签信息时候，不能直接定位到最后一级的标签（也就是【‘span’,class_=“sum”】），因为这两个数据对应的最后一级标签是一样的，所以要先找到它们的上一级标签，在获取相应的数据
在这里插入图片描述
获取所有数据的代码如下：（注意‘排名’数据的获取，有部分是空值，所以直接进行母标签的获取，不能进行子标签的获取）

dic = {}
dic['景点名称'] = li_0.find('span',class_="cn_tit").text
dic['攻略数量'] = li_0.find('div',class_="strategy_sum").text
dic['评分'] = li_0.find('span',class_="total_star").span['style']
dic['简介'] = li_0.find('div',class_="desbox").text
dic['排名'] = li_0.find('span',class_="ranking_sum").text
dic['经度'] = li_0['data-lng']
dic['纬度'] = li_0['data-lat']
dic['点评数量'] = li_0.find('div',class_="comment_sum").text
dic['多少驴友来过'] = li_0.find('span',class_="comment_sum").span.text

print(dic)

输出的结果为：
在这里插入图片描述
核对一下，首页的第一条旅游数据和输出的结果数据，可以发现结果是一致的

封装第二个函数

第一条旅游景点数据试错完成后就可以进行遍历数据输出，并封装成为函数，方便调用

def get_data(ui,d_h,d_c):  
	'''
	【数据采集】
	ui：数据信息网页
	d_h：user-agent信息
	d_c：cookies信息
	结果：得到数据的list，每条数据用dict存储
	'''
	ri = requests.get(ui, headers= dic_heders, cookies = dic_cookies)
	soup_i = BeautifulSoup(ri.text,'lxml')
	ul = soup_i.find("ul",class_="list_item clrfix")
	lis = ul.find_all('li')

	lst = []
	for li in lis:
		dic = {}
		dic['景点名称'] = li.find('span',class_="cn_tit").text
		dic['攻略数量'] = li.find('div',class_="strategy_sum").text
		dic['评分'] = li.find('span',class_="total_star").span['style']
		dic['简介'] = li.find('div',class_="desbox").text
		dic['排名'] = li.find('span',class_="ranking_sum").text
		dic['经度'] = li['data-lng']
		dic['纬度'] = li['data-lat']
		dic['点评数量'] = li.find('div',class_="comment_sum").text
		dic['多少驴友来过'] = li.find('span',class_="comment_sum").span.text
		lst.append(dic)
	return lst

urllst_1 = get_url(10)
u1 = urllst_1[0]
print(get_data(u1,dic_heders,dic_cookies))

输出的结果为：
在这里插入图片描述
对应这两个旅游景点的原页面如下：（可以看出最终获取的数据是和原网页的数据是匹配的）

接着就是进行全部数据的输出与存储，再此过程中，还要进行错误异常的处理

datalst = []
errorlst =[]
for u in get_url(20):
	try:
		datalst.extend(get_data(u,dic_heders,dic_cookies))
		print('数据采集成功，共采集数据{}条'.format(len(datalst)))
	except:
		errorlst.append(u)
		print('数据采集失败，网址为：',u)

输出的结果为：
在这里插入图片描述

数据清洗

数据清洗在spyder里面进行，避免爬虫代码的反复运行

df = pd.DataFrame(datalst)
df['经度'] = df['经度'].astype('float')
df['纬度'] = df['纬度'].astype('float')
df['点评数量'] = df['点评数量'].astype('int')
df['攻略数量'] = df['攻略数量'].astype('int')
df['评分'] = df['评分'].str.split(":").str[-1].str.replace("%","").astype("float")
df['多少驴友来过'] = df['多少驴友来过'].str.replace("%","").astype('float')/100
df['排名'] = df[df['排名']!=""]['排名'].str.split("第").str[-1].astype('int')

df.to_excel('去哪儿网数据爬取.xlsx',index = False)

至此去哪儿网景点数据采集项目的全过程就已经解析完毕了，下面是全部的代码和输出结果

全部代码和输出结果

import requests 
from bs4 import BeautifulSoup
import pandas as pd


def get_url(n):
	'''
	【分页网址url采集】函数
	n：页数参数
	结果：得到一个分页网页的list
	'''
	lst = []
	for i in range(n):
		ui = "https://travel.qunar.com/p-cs299878-shanghai-jingdian-1-{}".format(i+1)
		lst.append(ui)
	return lst

def get_data(ui,d_h,d_c):  
	'''
	【数据采集】
	ui：数据信息网页
	d_h：user-agent信息
	d_c：cookies信息
	结果：得到数据的list，每条数据用dict存储
	'''
	ri = requests.get(ui, headers= dic_heders, cookies = dic_cookies)
	soup_i = BeautifulSoup(ri.text,'lxml')
	ul = soup_i.find("ul",class_="list_item clrfix")
	lis = ul.find_all('li')

	lst = []
	for li in lis:
		dic = {}
		dic['景点名称'] = li.find('span',class_="cn_tit").text
		dic['攻略数量'] = li.find('div',class_="strategy_sum").text
		dic['评分'] = li.find('span',class_="total_star").span['style']
		dic['简介'] = li.find('div',class_="desbox").text
		dic['排名'] = li.find('span',class_="ranking_sum").text
		dic['经度'] = li['data-lng']
		dic['纬度'] = li['data-lat']
		dic['点评数量'] = li.find('div',class_="comment_sum").text
		dic['多少驴友来过'] = li.find('span',class_="comment_sum").span.text
		lst.append(dic)
	return lst


if __name__ == "__main__":

	dic_heders = {
       'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
    }

	dic_cookies = {}
	cookies = 'QN1=dXrgj14+tmYQhFxKE9ekAg==; QN205=organic; QN277=organic; QN269=506F28C14A7611EAA0BEFA163E244083; _i=RBTKSRDqFhTQT5KRlx-P1H78agxx; fid=7cc3c3d9-3f6c-45e1-8cef-3384cd5da577; Hm_lvt_c56a2b5278263aa647778d304009eafc=1581168271,1581220912; viewpoi=7564992|709275; viewdist=299878-7; uld=1-299878-8-1581221233|1-1062172-1-1581168529; QN267=1679639433d5aedfc8; Hm_lpvt_c56a2b5278263aa647778d304009eafc=1581221236; QN25=cb06bfbd-d687-4072-98c5-73266b637a6a-9f992f90; QN42=nvxp8441; _q=U.qunar_lbs_428305502; _t=26463150; csrfToken=oXYBnhSoGAGxggRkzmAjbxxGrpgsjUqQ; _s=s_ZBWFJO3EEGZISWS35EBIS5NQYA; _v=YTRjW_H5L47nGNVabvTLt1mlh7j8R7t4UNDVRrJUz0wScfLMWgSvkwQbzMLHlFbsvTU-2kJrBK74NUyOi3MX_3obY94Hhhugt8bv8ILxwsWDv4s_ANNiM8qRdg6HlBrrCEnGYr8lxS9uv78zDCNKz9pFbN8JPYy-AKJP6xILIsT7; _vi=4ONQzvfOOhwJECN5R-4rfWZDzlQ5-qv2xi_jsp1INPEpy9iKHa5gV0gHc35fDfTDe3TjcKteU7ZWk1vd6MsIqTfXYyUh3gTwZJ_9z3PEpkXZReeeIjaVE4HwLTkOATLIzIxg92s-QCWKE1RdNlaZsxPnfN7NHPGAZz5rsmxvpNDY; QN44=qunar_lbs_428305502; QN48=tc_a7fe4861b2d918df_17028369fc8_67ab; QN271=1749d44a-1a11-4886-be27-c3e3bfdadb0c'
	cookies_lst = cookies.split("; ")
	for i in cookies_lst:
		dic_cookies[i.split("=")[0]] = i.split("=")[1]    


	datalst = []
	errorlst =[]
	for u in get_url(20):
		try:
			datalst.extend(get_data(u,dic_heders,dic_cookies))
			print('数据采集成功，共采集数据{}条'.format(len(datalst)))
		except:
			errorlst.append(u)
			print('数据采集失败，网址为：',u)
            
            
	df = pd.DataFrame(datalst)
	df['经度'] = df['经度'].astype('float')
	df['纬度'] = df['纬度'].astype('float')
	df['点评数量'] = df['点评数量'].astype('int')
	df['攻略数量'] = df['攻略数量'].astype('int')
	df['评分'] = df['评分'].str.split(":").str[-1].str.replace("%","").astype("float")
	df['多少驴友来过'] = df['多少驴友来过'].str.replace("%","").astype('float')/100
	df['排名'] = df[df['排名']!=""]['排名'].str.split("第").str[-1].astype('int')

	df.to_excel('去哪儿网数据爬取.xlsx',index = False)