如何用Python爬取馬蜂窩的出行數據

這期內容當中小編將會給大家帶來有關如何用Python爬取馬蜂窩的出行數據，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

正值火辣的暑假，朋友圈已經被大家的旅行足跡刷屏了，真的十分驚嘆于那些把全國所有省基本走遍的朋友們。與此同時，也就萌生了寫篇旅行相關的內容，本次數據來源于一個對于爬蟲十分友好的旅行攻略類網站：螞蜂窩。

一、獲得城市編號

螞蜂窩中的所有城市、景點以及其他的一些信息都有一個專屬的5位數字編號，我們***步要做的就是獲取城市(直轄市+地級市)的編號，進行后續的進一步分析。

以上兩個頁面就是我們的城市編碼來源。需要首先從目的地頁面獲得各省編碼，之后進入各省城市列表獲得編碼。

過程中需要Selenium進行動態數據爬取，部分代碼如下：

def find_cat_url(url):    
   headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}      
 
   req=request.Request(url,headers=headers)    
   html=urlopen(req)    
   bsObj=BeautifulSoup(html.read(),"html.parser")  
   bs = bsObj.find('div',attrs={'class':'hot-list clearfix'}).find_all('dt')  
   cat_url = []  
   cat_name = []  
   for i in range(0,len(bs)):  
       for j in range(0,len(bs[i].find_all('a'))):  
           cat_url.append(bs[i].find_all('a')[j].attrs['href'])  
           cat_name.append(bs[i].find_all('a')[j].text)  
   cat_url = ['http://www.mafengwo.cn'+cat_url[i] for i in range(0,len(cat_url))]    
   return cat_url  
def find_city_url(url_list):  
   city_name_list = []  
   city_url_list = []  
   for i in range(0,len(url_list)):        
 
       driver = webdriver.Chrome()  
       driver.maximize_window()  
       url = url_list[i].replace('travel-scenic-spot/mafengwo','mdd/citylist')  
       driver.get(url)  
       while True: 
            try:  
               time.sleep(2)  
               bs = BeautifulSoup(driver.page_source,'html.parser')  
               url_set = bs.find_all('a',attrs={'data-type':'目的地'})  
               city_name_list = city_name_list +[url_set[i].text.replace('\n','').split()[0] for i in range(0,len(url_set))]  
               city_url_list = city_url_list+[url_set[i].attrs['data-id'] for i in range(0,len(url_set))]            
                js="var q=document.documentElement.scrollTop=800"    
               driver.execute_script(js)  
               time.sleep(2)  
               driver.find_element_by_class_name('pg-next').click()  
           except:  
               break  
       driver.close()  
   return city_name_list,city_url_list  
url = 'http://www.mafengwo.cn/mdd/'  
url_list = find_cat_url(url)  
city_name_list,city_url_list=find_city_url(url_list)  
city = pd.DataFrame({'city':city_name_list,'id':city_url_list}) 

二、獲得城市信息

城市數據分別從以下幾個頁面獲取：

(a)小吃頁面

(b)景點頁面

(c)標簽頁面

我們將每個城市獲取數據的過程封裝成函數，每次傳入之前獲得的城市編碼，部分代碼如下：

def get_city_info(city_name,city_code):  
   this_city_base = get_city_base(city_name,city_code)  
   this_city_jd = get_city_jd(city_name,city_code)  
   this_city_jd['city_name'] = city_name  
   this_city_jd['total_city_yj'] = this_city_base['total_city_yj']  
   try:  
       this_city_food = get_city_food(city_name,city_code)  
       this_city_food['city_name'] = city_name  
       this_city_food['total_city_yj'] = this_city_base['total_city_yj'] 
 
   except: 
 
       this_city_food=pd.DataFrame()  
   return this_city_base,this_city_food,this_city_jd  
def get_city_base(city_name,city_code):  
   url = 'http://www.mafengwo.cn/xc/'+str(city_code)+'/'  
   bsObj = get_static_url_content(url)  
   node =  bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('a')  
   tag = [node[i].text.split()[0] for i in range(0,len(node))]  
   tag_node = bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('em')  
   tag_count = [int(k.text) for k in tag_node]  
   par = [k.attrs['href'][1:3] for k in node]  
   tag_all_count = sum([int(tag_count[i]) for i in range(0,len(tag_count))])  
   tag_jd_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='jd'])  
   tag_cy_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='cy'])  
   tag_gw_yl_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i] in ['gw','yl']])  
   url = 'http://www.mafengwo.cn/yj/'+str(city_code)+'/2-0-1.html '  
   bsObj = get_static_url_content(url)  
 
   total_city_yj = int(bsObj.find('span',{'class':'count'}).find_all('span')[1].text)  
   return {'city_name':city_name,'tag_all_count':tag_all_count,'tag_jd_count':tag_jd_count,  
           'tag_cy_count':tag_cy_count,'tag_gw_yl_count':tag_gw_yl_count,  
           'total_city_yj':total_city_yj} 
 
def get_city_food(city_name,city_code):  
   url = 'http://www.mafengwo.cn/cy/'+str(city_code)+'/gonglve.html'  
   bsObj = get_static_url_content(url)  
   food=[k.text for k in bsObj.find('ol',{'class':'list-rank'}).find_all('h4')]  
   food_count=[int(k.text) for k in bsObj.find('ol',{'class':'list-rank'}).find_all('span',{'class':'trend'})]  
   return pd.DataFrame({'food':food[0:len(food_count)],'food_count':food_count})  
def get_city_jd(city_name,city_code):  
   url = 'http://www.mafengwo.cn/jd/'+str(city_code)+'/gonglve.html'  
   bsObj = get_static_url_content(url)  
   node=bsObj.find('div',{'class':'row-top5'}).find_all('h4')  
   jd = [k.text.split('\n')[2] for k in node]  
   node=bsObj.find_all('span',{'class':'rev-total'})  
   jd_count=[int(k.text.replace(' 條點評','')) for k in node]  
   return pd.DataFrame({'jd':jd[0:len(jd_count)],'jd_count':jd_count}) 

三、數據分析

PART1：城市數據

首先我們看一下游記數量最多的***0城市：

游記數量***0數量基本上與我們日常所了解的熱門城市相符，我們進一步根據各個城市游記數量獲得全國旅行目的地熱力圖：

看到這里，是不是有種似曾相識的感覺，如果你在朋友圈曬的足跡圖與這幅圖很相符，那么說明螞蜂窩的數據與你不謀而合。

***我們看一下大家對于各個城市的印象是如何的，方法就是提取標簽中的屬性，我們將屬性分為了休閑、飲食、景點三組，分別看一下每一組屬性下大家印象最深的城市：

看來對于螞蜂窩的用戶來說，廈門給大家留下的印象是非常深的，不僅游記數量充足，并且能從中提取的有效標簽也非常多。重慶、西安、成都也無懸念地給吃貨們留下了非常深的印象，部分代碼如下：

bar1 = Bar("餐飲類標簽排名")  bar1.add("餐飲類標簽分數", city_aggregate.sort_values('cy_point',0,False)['city_name'][0:15],          city_aggregate.sort_values('cy_point',0,False)['cy_point'][0:15],          is_splitline_show =False,xaxis_rotate=30)  bar2 = Bar("景點類標簽排名",title_top="30%")  bar2.add("景點類標簽分數", city_aggregate.sort_values('jd_point',0,False)['city_name'][0:15],          city_aggregate.sort_values('jd_point',0,False)['jd_point'][0:15],          legend_top="30%",is_splitline_show =False,xaxis_rotate=30)  bar3 = Bar("休閑類標簽排名",title_top="67.5%")  bar3.add("休閑類標簽分數", city_aggregate.sort_values('xx_point',0,False)['city_name'][0:15],          city_aggregate.sort_values('xx_point',0,False)['xx_point'][0:15],          legend_top="67.5%",is_splitline_show =False,xaxis_rotate=30)  grid = Grid(height=800)  grid.add(bar1, grid_bottom="75%")  grid.add(bar2, grid_bottom="37.5%",grid_top="37.5%")  grid.add(bar3, grid_top="75%")  grid.render('城市分類標簽.html')

PART2：景點數據

我們提取了各個景點評論數，并與城市游記數量進行對比，分別得到景點評論的絕對值和相對值，并據此計算景點的人氣、代表性兩個分數，最終排名***5的景點如下：

螞蜂窩網友對于廈門真的是情有獨鐘，鼓浪嶼也成為了***人氣的景點，在城市代表性方面西塘古鎮和羊卓雍措位列前茅。暑假之際，如果擔心上排的景點人太多，不妨從下排的景點中挖掘那些人少景美的旅游地。

PART3：小吃數據

***我們看一下大家最關注的的與吃相關的數據，處理方法與PART2景點數據相似，我們分別看一下***人氣和***城市代表性的小吃。

出乎意料，螞蜂窩網友對廈門果真愛得深沉，讓沙茶面得以超過火鍋、烤鴨、肉夾饃躋身***人氣的小吃。

在城市代表性方面，海鮮的出場頻率非常高，這點與大(ben)家(ren)的認知也不謀而合，PART2與3的部分代碼如下：

bar1 = Bar("景點人氣排名")  bar1.add("景點人氣分數", city_jd_com.sort_values('rq_point',0,False)['jd'][0:15],          city_jd_com.sort_values('rq_point',0,False)['rq_point'][0:15],          is_splitline_show =False,xaxis_rotate=30)  bar2 = Bar("景點代表性排名",title_top="55%")  bar2.add("景點代表性分數", city_jd_com.sort_values('db_point',0,False)['jd'][0:15],          city_jd_com.sort_values('db_point',0,False)['db_point'][0:15],          is_splitline_show =False,xaxis_rotate=30,legend_top="55%")  grid=Grid(height=800)  grid.add(bar1, grid_bottom="60%")  grid.add(bar2, grid_top="60%",grid_bottom="10%")  grid.render('景點排名.html')

上述就是小編為大家分享的如何用Python爬取馬蜂窩的出行數據了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。