数据采集——爬虫篇(二)：美食信息采集

大不列颠岛主

已于 2022-05-16 10:05:28 修改

阅读量3.6k

点赞数 7

于 2020-06-09 16:15:52 首次发布

本文链接：https://blog.csdn.net/dbldwang/article/details/106638364

版权

数据采集——爬虫篇(二)：美食信息采集

1.分析美食网页的url参数构成

美食，地址：北京，搜索关键词：火锅
url：
https://bj.*******.com/s/%E7%81%AB%E9%94%85/

url会有自动编码中文功能所以火锅=%E7%81%AB%E9%94%85

通过关键词城市的url构造，解析当前url中的bj=北京，/s/后面跟搜索关键词
这样我们就可以了解到当前url的构造。

2.分析页面数据来源（F12开发者工具）

开启F12开发者工具，并且刷新当前页面：
可以看到切换到第二页时候，我们的url没有变化，网站也没有自动进行刷新跳转操作（web中ajax技术就是在保证页面不刷新，url不变化情况下进行数据加载的技术）
在这里插入图片描述

此时我们需要在开发者工具中找到xhr里面对应当前数据的响应文件
在这里插入图片描述

分析到这里可以得知我们数据是以json格式交互
分析第二页的json文件请求地址与第三页json文件请求地址
第二页：https://apimobile.*******.com/group/v4/poi/pcsearch/1?uuid=xxx&userid=-1&limit=32&offset=32&cateId=-1&q=%E7%81%AB%E9%94%85
第三页：https://apimobile.*******.com/group/v4/poi/pcsearch/1?uuid=xxx&userid=-1&limit=32&offset=64&cateId=-1&q=%E7%81%AB%E9%94%85
对比发现offse参数每次翻页增加32
并且limit参数是一次请求的数据量，offse是数据请求的开始元素，q是搜索关键词poi/pcsearch/1？其中的1是北京城市的id编号。

3.构造请求抓取美食数据

接下来直接构造请求，循环访问每一页的数据，代码如下：

import requests
import re


def start():
    for w in range(0, 1600, 32):
    #页码根据实际情况x32即可，我这里是设置50页为上限，为了避免设置页码过高或者数据过少情况，定义最大上限为1600-也就是50页，使用try-except来检测时候异常，异常跳过该页，一般作为无数据跳过该页处理
        try:
        # 注意uuid后面参数空余将uuid后xxx替换为自己的uuid参数
            url = 'https://apimobile.*******.com/group/v4/poi/pcsearch/1?uuid=xxx&userid=-1&limit=32&offset='+str(w)+'&cateId=-1&q=%E7%81%AB%E9%94%85'
            #headers的数据可以在F12开发者工具下面的requests_headers中查看，需要实现选择如下headers信息
            #必要情况  请求频繁 建议增加cookie参数在headers内
            headers = {
                'Accept': '*/*',
                'Accept-Encoding': 'gzip, deflate, br',
                'Accept-Language': 'zh-CN,zh;q=0.9',
                'Connection': 'keep-alive',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400',
                'Host': 'apimobile.*******.com',
                'Origin': 'https://bj.*******.com',
                'Referer': 'https://bj.*******.com/s/%E7%81%AB%E9%94%85/'
            }
            response = requests.get(url, headers=headers)
            #正则获取当前响应内容中的数据，因json方法无法针对店铺特有的title键值进行获取没所以采用正则
    		titles = re.findall('","title":"(.*?)","address":"', response.text)
        	addresses = re.findall(',"address":"(.*?)",', response.text)
        	avgprices = re.findall(',"avgprice":(.*?),', response.text)
        	avgscores = re.findall(',"avgscore":(.*?),',response.text)
        	comments = re.findall(',"comments":(.*?),',response.text)
        	#输出当前返回数据的长度  是否为32
        	print(len(titles), len(addresses), len(avgprices), len(avgscores), len(comments))
        	for o in range(len(titles)):
        	#循环遍历每一个值  写入文件中
            	title = titles[o]
            	address = addresses[o]
            	avgprice = avgprices[o]
            	avgscore = avgscores[o]
            	comment = comments[o]
            	#写入本地文件
            	file_data(title, address, avgprice, avgscore, comment)

#文件写入方法
def file_data(title, address, avgprice, avgscore, comment):
    data = {
                '店铺名称': title,
                '店铺地址': address,
                '平均消费价格': avgprice,
                '店铺评分': avgscore,
                '评价人数': comment
            }
    with open('美食.txt', 'a', encoding='utf-8')as fb:
        fb.write(json.dumps(data, ensure_ascii=False) + '\n')
        #ensure_ascii=False必须加因为json.dumps方法不关闭转码会导致出现乱码情况
if __name__ == '__main__':
    start()