山东大学创新项目实训个人工作日志（十二）

afyzju

于 2021-05-21 20:33:03 发布

阅读量97

点赞数

本文链接：https://blog.csdn.net/afyzju/article/details/117134593

版权

主要实现了大河票务网的爬虫
在这里插入图片描述
大和票务网属于静态网页，主要采用分析源码的方式来获取信息。

首先通过’https://www.dahepiao.com/search_new?fenlei=2&keyword=’+keyword加入关键词进行搜索，查看网页源代码可以发现想要的信息是这一部分：

通过BeautifulSoup提取标签，特别是href，通过这一链接进入景点的详情页面：

		Ncity = city.replace('市', '').replace('县', '').replace('省', '')
        # 添加城市名，提高搜索精度
        url = 'https://www.dahepiao.com/search_new?fenlei=2&keyword='+Ncity+keyword
        # p = 1;
        try:
            html = self.getHtml(url)
            soup = BeautifulSoup(html,"html.parser")
            items = soup.find_all('a',{'class':'info-title'})
            for item in items:
                # 名称
                title = item['title']
                # 跳转链接
                href = item['href']
                # 进一步筛选
                result = fuzz.token_sort_ratio(title, keyword)
                if result <= 20:
                    continue
                detailhtml = self.getHtml(href)

进入详情页面之后，下图中这一部分就是想要爬取到的门票的信息：
在这里插入图片描述

如此，用BeautifulSoup根据类名查找到符合classname的标签即可：

                for tr in trs:
                    # 门票的详细描述
                    dis = tr.find('div',{'class':'link_text'}).find_all('p')
                    discription = ''
                    for di in dis:
                        discription = discription + di.text + '\n'
                    # 用try except包装，提高容错
                    try:
                        type= tr.find('td',{'class':'ptdname'}).text.replace('\n','').replace(' ','')
                    except:
                        type=''
                    try:
                        ttitle = tr.find('a',{'class':'ptlink'}).text.replace('订票须知','').replace('\n','').replace(' ','')
                    except:
                        ttitle = ''
                    try:
                        booktime = tr.find('dd',{'class':'ticket_bookingTime'}).string.replace('\n','').replace(' ','')
                    except:
                        booktime = ''
                    try:
                        price = tr.find('dd',{'class':'ticket_price'}).text.replace('￥', '').replace('\n','').replace(' ','')
                    except:
                        price = ''
                    tickets.setdefault(type,[])
                    tickets[type].append({'name':ttitle,'type':type,'price':price,'url':href,'buy':'','from':'大河票务网','isReturnable':'',
                                    'bookTime':booktime,'outTime':'','useTime':'','discription':discription})
                self.spotsInfo[title] = tickets