【python爬虫专项（10）】去哪儿网景点数据采集

参考网址：上海旅游景点

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

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

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

去哪儿网上海旅游景点前2-4页的url如下

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）

由此，前20个url的信息就已经全部构造完成

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：

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

将headers和cookies以字典的方式存储

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

输出的结果为：

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”）

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）

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）

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

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

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）

print(dic)

输出的结果为：

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

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

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：

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

输出的结果为：

数据清洗在spyder里面进行，避免爬虫代码的反复运行

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

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)

输出的结果为：

去哪儿网数据爬取.xlsx文件中的内容如下：（可以看出最后将数字数据全都转变成了数值型，而非文本型）