《大众点评爬虫程序实战:爬取店铺展示信息》

本文介绍了一种使用Python和selenium、requests库自动化爬取大众点评上餐馆信息的方法,包括店名、美食类型、评分等,并提到了使用代理IP以避免IP被封禁的问题。
摘要由CSDN通过智能技术生成

 一、引言 

  •  在日常生活中,我们经常会遇到一个问题:不知道吃什么。尤其是在陌生的城市或附近的地方,面对众多的餐馆选择,很难做出决策。随着互联网的发展,大众点评等餐饮评价平台应运而生,为我们提供了海量的餐馆信息和用户评价。然而,即使在这样的平台上,面对庞大的数据量,我们仍然很难迅速找到最适合我们口味的美食店

二、爬取目标

  • 采集以下数据:店名,美食类型,地点,评分,评价人数以及人均消费

三、准备工作

  • 版本:python版本3.x及以上
  • 需要用到的包:requests,selenium,re,bs4,tqdm,subprocess,time,random,bag(自写包,可私聊获取)
  • json文件:完整json文件过大,这里只截取了部分数据进行展示

    # city.json
    {
        "郑州": "https://www.dianping.com/zhengzhou",
        "珠海": "https://www.dianping.com/zhuhai",
        "张家口": "https://www.dianping.com/zhangjiakou"
    }
    
    
    # menu.json
    {
        "美食": "https://www.dianping.com/{}/ch10",
        "丽人": "https//:www.dianping.com/{}/beauty",
        "周边游": "https//:www.dianping.com/{}/ch35",
    }
    """menu.json这个文件通过后面代码自动生成,生成格式如上所示"""
    
    # cookies.json
    [{}]
    """这里涉及到隐私问题就没把cookies展示出来,
    下面会一步步带领大家如何自动获得可用的cookies
    并且保存到本地需要时直接调用"""

四、爬虫实现

  1. 使用selenium获取登录后的cookies

    @echo off
    cd "C:\Program Files\Google\Chrome\Application"
    start chrome.exe --remote-debugging-port=9222 --user-data-dir="C:\selenium\AutomationProfile"
    #!/usr/bin/env python3
    # coding:utf-8
    import subprocess
    import bag
    import time
    import random
    
    # batch_file_content = r'''
    # @echo off
    # cd "C:\Program Files\Google\Chrome\Application"
    # start chrome.exe --remote-debugging-port=9222 --user-data-dir="C:\selenium\AutomationProfile"
    # '''
    #
    # with open('run_chrome.bat', 'w') as f:
    #     f.write(batch_file_content)
    
    subprocess.Popen('run_chrome.bat', shell=True)
    
    web = bag.Bag.web_debug()
    
    web.get(r'https://www.dianping.com/')
    time.sleep(random.randint(5, 10))
    cookie = web.get_cookies()
    
    web.close()
    
    bag.Bag.save_json(cookie, r'./cookies.json')
    • 新建一个文本文件,将第一个代码复制过去并修改后缀为.bat文件,至于为什么要这样做呢,主要是因为这样做了后可以用subprocess来控制程序

    • 运行下面的代码一个可用的cookies便会自动生成

  2. 选择需要爬取的类型并生成menu.json文件

    #!/usr/bin/env python3
    # coding:utf-8
    import bag
    from bs4 import BeautifulSoup
    import re
    
    session = bag.session.create_session()
    
    for cookie in bag.Bag.read_json(r'./cookies.json'):
        session.cookies.set(cookie['name'], cookie['value'])
    
    
    # 输入需要爬取的城市名称
    def choose_city():
        js_data = bag.Bag.read_json('./city.json')
        choose = input('输入城市名:')
        judge = js_data.get(choose)  # 判断输入的城市是否存在
    
        # pattern = re.compile(r'<a.*?data-click-title="first".*?href="(.*?)".*?>(.*?)</a>', re.S)
        pattern = re.compile(r'<a.*?href="(.*?)".*?>(.*?)</a>', re.S)
    
        dic = {}
    
        if judge:
            resp = session.get(judge)
            html = BeautifulSoup(resp.text, 'lxml')
            soup = html.findAll('span', class_='span-container')
            for info in soup:
                data = re.findall(pattern, str(info))
                mid: list = data[0][0].split('/')
                mid[-2] = '{}'
                dic[data[0][1]] = 'https:' + ''.join(mid)
        else:
            print('无效输入!')
            choose_city()
        
        print(dic)   # 根据输入信息得到的生成结果
        '''输入城市名:珠海
        {
          "美食": "https:www.dianping.com{}ch10",
          "休闲娱乐": "https:www.dianping.com{}ch30",
          "结婚": "https:www.dianping.com{}wedding",
          "电影演出赛事": "https:www.dianping.com{}movie",
          "丽人": "https:www.dianping.com{}beauty",
          "酒店": "https:www.dianping.com{}hotel",
          "亲子": "https:www.dianping.com{}baby",
          "周边游": "https:www.dianping.com{}ch35",
          "运动健身": "https:www.dianping.com{}ch45",
          "购物": "https:www.dianping.com{}ch20",
          "家装": "https:www.dianping.com{}home",
          "学习培训": "https:www.dianping.com{}education",
          "生活服务": "https:www.dianping.com{}ch80",
          "医疗健康": "https:www.dianping.com{}ch85",
          "爱车": "https:www.dianping.com{}ch65",
          "宠物": "https:www.dianping.com{}ch95"
        }'''
    
        bag.Bag.save_json(dic, r'./menu.json')
    
    
    if __name__ == '__main__':
        choose_city()
    
  3. 完整代码

    # choose.py
    # !/usr/bin/env python3
    # coding:utf-8
    import bag
    
    
    def choose_city():
        session = bag.session.create_session()
    
        for cookie in bag.Bag.read_json(r'./cookies.json'):
            session.cookies.set(cookie['name'], cookie['value'])
    
        session.headers['Connection'] = 'close'
        js_data = bag.Bag.read_json('./city.json')
        choose = input('输入城市名:')
        judge = js_data.get(choose)
    
        if judge:
            city = judge.split('/')[-1]
            choose_1 = input('输入爬取类类型:')
            js_data1 = bag.Bag.read_json('./menu.json')
            judge1 = js_data1.get(choose_1)
            if judge1:
                return judge1.format(city), session
            else:
                print('开发中......')
                return None
        else:
            print('无效输入!')
            return None
    
    
    # get_shop.py
    # !/usr/bin/env python3
    # coding:utf-8
    import bag
    import chooses
    import re
    from bs4 import BeautifulSoup
    from tqdm import tqdm
    import requests
    
    
    proxies = {
         "http": "http://{}:{}",
    }
    
    
    def check():
        url_ = r'https://www.dianping.com/zhuhai/ch10'
        ip_ls = bag.Bag.read_json('../代理ip/IP地址.json')
        index = 0
        if len(ip_ls) == 0:
            print('IP地址全部失效')
            exit()
        for ip_address in ip_ls:
            proxies_ = {
                "http": "{}:{}".format(ip_address[0], ip_address[1]),
            }
            resp = session.get(url_, proxies=proxies_)
    
            if resp.status_code == 200:
                proxies['http'] = proxies['http'].format(ip_address[0], ip_address[1])  # 创建虚拟IP
                bag.Bag.save_json(ip_ls[index:], r'../代理ip/IP地址.json')
                print(f'[{index}] 更换ip成功')
                return
            index += 1
    
    
    url, session = chooses.choose_city()
    
    
    def get_types():    # 正常传参
        check()
        pattern = re.compile(r'<a.*?href="(.*?)".*?<span>(.*?)</span></a>', re.S)
        if bool(url):
            resp = session.get(url, proxies=proxies)
            html = BeautifulSoup(resp.text, 'lxml')
            soup = html.findAll('div', id='classfy')
            links = re.findall(pattern, str(soup))
            return links
        else:
            check()
            get_types()
    
    
    def get_shop():
        links = get_types()
        pattern = re.compile(r'<div class="tit">.*?<a.*?data-shopid="(.*?)".*?href="(.*?)".*?title="(.*?)"'
                             r'(?:.*?<div class="star_icon">.*?<span class="(.*?)"></span>.*?<b>(.*?)</b>)?'
                             r'(?:.*?<b>(.*?)</b>)?'
                             r'(?:.*?<div class="tag-addr">.*?<span class="tag">(.*?)</span>.*?<em class="sep">.*?<span class="tag">(.*?)</span>)?',
                             re.S)
        number = re.compile(r'data-ga-page="(.*?)"', re.S)
    
        result = []
    
        if not bool(links):
            print('获取异常')
            return
    
        for link in links:   # 获取第一页
            try:
                resp = session.get(link[0], proxies=proxies)
                page = [int(i) for i in re.findall(number, resp.text)]
                page_num = sorted(page, reverse=True)[0]
                html = BeautifulSoup(resp.text, 'lxml')
    
                soup = html.findAll('li', class_='')
                for i in soup:
                    for j in re.findall(pattern, str(i)):
                        result.append(j)
                if page_num >= 2:   # 获取第一页往后
                    for count in tqdm(range(page_num)[1:]):
                        try:
                            resp1 = session.get(link[0]+'p{}'.format(count+1), proxies=proxies)
                            html1 = BeautifulSoup(resp1.text, 'lxml')
                            soup1 = html1.findAll('li', class_='')
                            for k in soup1:
                                info = pattern.search(str(k))
                                if info:
                                    groups = list(info.groups())
                                    for i in range(len(groups)):
                                        if not groups[i]:
                                            groups[i] = 'null'
                                    result.append(tuple(groups))
                        except requests.exceptions.RequestException as e:
                            print(e)
                            check()
                        except Exception as e:
                            print(e)
                            continue
                else:
                    pass
            except requests.exceptions.RequestException as e:
                print(e)
                check()
            except Exception as e:
                print(e)
                check()
        return result
    
    
    end = get_shop()
    bag.Bag.save_excel(end, './商店.xlsx')
    

五、成品展示

六、总结

  1. 使用selenium结合requests对网页数据进行采集可以避免很多弯弯绕绕的破解
  2. 大众点评反爬机制比较完善,爬取的时候为了防止ip被拉黑建议使用代理ip,代理ip使用方法可自行百度
  • 45
    点赞
  • 43
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 25
    评论
爬虫是一种自动化程序,能够模拟人类在网络上的浏览行为,从Web页面中提取数据并进行分析和存储。而SharePoint是一种由Microsoft开发的企业级协作平台,用于存储、组织、共享和访问各种企业数据和文档。 爬虫可以用于从SharePoint平台上提取数据。通过模拟用户登录SharePoint、浏览页面、点击链接等操作,爬虫可以获取到需要的数据,并进行存储和处理。这样可以自动化地从SharePoint上抓取大量的数据,节省了手动复制粘贴的时间和人力成本。 在爬虫中,常用的技术包括网络请求、HTML解析和数据提取。爬虫首先发送网络请求到SharePoint服务器,获取到相应的页面内容。然后通过HTML解析技术,解析页面的结构,找到需要的数据所在的位置。最后,将提取到的数据存储到数据库或者其他文件中,或者进行进一步的分析和处理。 在实际应用中,爬虫可以用于很多领域的数据提取和分析。比如,在企业中,可以使用爬虫从SharePoint平台上提取员工的信息、项目的进度、销售数据等。在学术研究中,可以使用爬虫从SharePoint平台上获取论文的信息、学术会议的日程安排等。 需要注意的是,使用爬虫需要遵守相关法律法规和网站的使用规定。在进行爬虫操作时,应尊重网站的规则,避免对服务器造成过大的负担,同时保护用户的隐私信息

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 25
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FLK_9090

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值