我把全国旅游数据用Python爬下来后发现，这个地方才是真正的旅游胜地

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})

PART2：获得城市信息

城市数据分别从以下几个页面获取：

（a）小吃页面

（b）景点页面

（c）标签页面

我们将每个城市获取数据的过程封装成函数，每次传入之前获得的城市编码，部分代码如下：

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(‘h3’)]

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(‘h3’)

jd = [k.text.split(‘\n’)[2] for k in node]

node=bsObj.find_all(‘span’,{‘class’:‘rev-total’})

jd_count=[int(k.text.replace(’ 条点评’,‘’)) for k in node]

return pd.DataFrame({‘jd’:jd[0:len(jd_count)],‘jd_count’:jd_count})

数据分析：

PART1:城市数据

首先我们看一下游记数量最多的TOP10城市：

游记数量TOP10数量基本上与我们日常所了解的热门城市相符，我们进一步根据各个城市游记数量获得全国旅行目的地热力图：

看到这里，是不是有种似曾相识的感觉，如果你在朋友圈晒的足迹图与这幅图很相符，那么说明蚂蜂窝的数据与你不谋而合。

最后我们看一下大家对于各个城市的印象是如何的，方法就是提取标签中的属性，我们将属性分为了休闲、饮食、景点三组，分别看一下每一组属性下大家印象最深的城市：

看来对于蚂蜂窝的用户来说，厦门给大家留下的印象是非常深的，不仅游记数量充足，并且能从中提取的有效标签也非常多。重庆、西安、成都也无悬念的给吃货们留下了非常深的印象，部分代码如下：

bar1= Bar(“餐饮类标签排名”)

bar1.add(“餐饮类标签分数”, 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(“景点类标签排名”,title_top=“30%”)

bar2.add(“景点类标签分数”, 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(“休闲类标签排名”,title_top=“67.5%”)

bar3.add(“休闲类标签分数”, 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(‘城市分类标签.html’)

PART2:景点数据

我们提取了各个景点评论数，并与城市游记数量进行对比，分别得到景点评论的绝对值和相对值，并据此计算景点的人气、代表性两个分数，最终排名TOP15的景点如下：

蚂蜂窝网友对于厦门真的是情有独钟，鼓浪屿也成为了最具人气的景点，在城市代表性方面西塘古镇和羊卓雍措位列前茅。小长假来临之际，如果担心上排的景点人太多，不妨从下排的景点中挖掘那些人少景美的旅游地。

PART3:小吃数据

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

01c05e862fe4e9.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）