Python爬虫 - 某程景区评论数据
简介
- 这里以某程的景区评论数据为例,实现了对于景区评论数据的获取。
- 下面展示一下本次分享代码中的评论数据下载情况吧
- 评论数据下载展示
- 评论数据保存
爬虫实施
-
搜索旅游目的地,例如这里搜索“某某森林公园”,并跳转到相应的评论页
-
右键单击网页,选择**“检查”**,或者按
F12
-
第一步
-
第二步
-
第三步
-
第四步
- 通过以上分析,其实我们已经找到了评论数据的真正保存位置,找到了相应的链接、请求体,以及返回体,接下来我们就做一个简单的测试,看能否爬取到数据。
- 源代码
## 1导入第三方包
import json
import requests
from bs4 import BeautifulSoup
import bs4
## 2、参考网页源码构造请求体( 参考payload页)
payload = {
"arg":{
"channelType": 2,
"collapseType": 0,
"commentTagId": 0,
"pageIndex": 3,
"pageSize": 10,
"poiId": 78198,
"sortType": 3,
"sourceType": 1,
"starType": 0
},
"head": {
"auth": "",
"cid": "09031167319556132059",
"ctok": "",
"cver": "1.0",
"extension": [],
"lang": "01",
"sid": "8888",
"syscode": "09",
"xsid": ""
}
}
## 3、爬取网页数据 (参考 headers页)
post_url = "https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseList"
html = requests.post(post_url, data=json.dumps(payload)).text
## 4、解析网页数据 (为了展示,我此处只选取评论数据)
html_data = json.loads(html)
html_data['result']['items'][0]['content'] # 第0条评论
- 当某个景区有数千条评论时,我们参考以上方法,更改页码进行下载即可
- 如果想要获取其他景区的评论信息,则只需要修改相应的景点编号即可
-
第一步,使用上述方法找到景区的编码
-
第二步,更新爬虫参数
-
第三步,查看返回结果
- 以上代码验证通过,接下来就是将以上代码封装成函数,便于循环调用,以实现景区评论数据的获取啦。
函数封装及测试
- 代码封装
import pandas as pd
import numpy as np
import os
import json
import time
import requests
from bs4 import BeautifulSoup
import bs4
# 1. 通过检查某程评论页面源码,找到post_url和post_data参数结构
def get_xiecheng_comments(post_url, post_data):
try:
res = requests.post(post_url, data=json.dumps(post_data)).text
return res
except:
return ""
# 2. 从返回的字符串型评论数据中解析出所需要的评论数据,
def select_data(html_str):
comments =[]
scores = []
times = []
length = []
if html_str:
html = json.loads(html_str)
comment_data = html['result']['items']
for comment in comment_data:
com = comment['content']
comments.append(com)
leng = len(com)
length.append(leng)
sco = comment['score']
scores.append(sco)
tm = comment['publishTypeTag'][:10]
times.append(tm)
return comments, length, scores, times
#3.构造某程请求体,模拟请求各个页面的评论内容(只适用于XIE程)
def payload_data(page_number, poi_id):
data = {
"arg":{
"channelType": 2,
"collapseType": 0,
"commentTagId": 0,
"pageIndex": page_number,
"pageSize": 10,
"poiId": poi_id,
"sortType": 3,
"sourceType": 1,
"starType": 0
},
"head": {
"auth": "",
"cid": "09031167319556132059",
"ctok": "",
"cver": "1.0",
"extension": [],
"lang": "01",
"sid": "8888",
"syscode": "09",
"xsid": ""
}
}
return data
## 4.爬取某一条线路下的全部评论数据
def get_tourist_route_comments(post_url, total_pages, route_query_id):
html_data = []
comments = []
scores = []
times = []
length = []
for page in range(1, total_pages+1):
# 爬取网页内容
payload = payload_data(page, route_query_id)
html_str = get_xiecheng_comments(post_data=payload, post_url=post_url)
html_data += html_str
# 解析网页内容
page_comments, page_com_length, page_scores, page_times = select_data(html_str)
comments += page_comments
scores += page_scores
times += page_times
length += page_com_length
return html_data, comments, scores, times, length
## 5. 保存数据到Excel文件中
def save_data_to_excel(comments, scores, times, com_length, query_id):
# build data
save_data = pd.DataFrame({
"comment":comments,
"score": scores,
"time": times,
"comment_length": length
})
# duild save path
save_path = "./xiecheng/" + str(query_id) + ".xlsx"
save_data.to_excel(save_path, index=False)
- 代码调用
#### 按照queryID下载数据并保存到Excel中
# 1、爬取数据
print("========================== start get data ==========================")
post_url = "https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseList"
## 如果需要下载其他线路的评论数据,只需要更新下面两个参数,重复执行即可
total_pages = 298 # 该线路下的评论数据总页数
query_id = 78137 # 该线路ID
html_data, comments, scores, times, length = get_tourist_route_comments(post_url, total_pages, query_id)
# 2、保存数据
print("========================== start save data ==========================")
save_data_to_excel(comments, scores, times, length, query_id)
print("========================== done ==========================")
小结
- 其实爬虫的关键就是找到所需数据真正的保存地址(url)
- 解析网页的方法有很多,并不一定要使用beautifulsoup,要根据具体情况来看
- 网站都是多变的,我第一次爬取XIE程数据是在2022年12月,第二次在2023年1月,前后相差不过一月,XIE程所封装的函数名、网页数据结构都发生了变化,但是只要我们找到了其中的规律,就能够把其中的数据下载下来。因此,想提醒的大家的是,没有一层不变的框架和代码,只是给大家提供这样一种思虑。爬虫,就是工程师们相互博弈的过程。