五步写爬虫 | 采集大众点评数据采集实战

腾讯课堂 | Python网络爬虫与文本数据分析

任务

采集 http://www.dianping.com/shanghai/hotel

爬虫设计阶段	类型	问题	需要做到
1	请求	网页数据在哪里？	发现网址url规律
2	请求	如何获取网页数据？	先尝试使用requests成功访问一个url，拿到一个页面数据
3	解析	从html中定位需要的数据	使用pyquery对这一个页面的网页数据进行解析
4	存储	如何存储数据	使用csv库将数据存储到csv文件中
5	整理	重复2-4	for循环对所有的url进行访问解析存储

1. 发现网址规律url

视频教程  https://www.bilibili.com/video/BV1AE411r7ph?p=1

能否成功采集某网站，该网站需要满足两个条件

• 我们有权限浏览

• 我们肉眼能在浏览器中看到

满足这两个条件后，我们就可以寻找网址规律。

一般简单的网站只需要看看翻页和网址栏即可，有难度的就需要使用开发者工具。

template = 'http://www.dianping.com/shanghai/hotel/p{page}'

for page in range(1, 51):
    url = template.format(page=page)
    print(url)

http://www.dianping.com/shanghai/hotel/p1
http://www.dianping.com/shanghai/hotel/p2
http://www.dianping.com/shanghai/hotel/p3
http://www.dianping.com/shanghai/hotel/p4
http://www.dianping.com/shanghai/hotel/p5
http://www.dianping.com/shanghai/hotel/p6
....
http://www.dianping.com/shanghai/hotel/p46
http://www.dianping.com/shanghai/hotel/p47
http://www.dianping.com/shanghai/hotel/p48
http://www.dianping.com/shanghai/hotel/p49
http://www.dianping.com/shanghai/hotel/p50

2. 尝试对其中一个url进行访问

先局部，后整体(先小后大)

我们需要先拿一个url测试访问成功与否。

import requests

url = 'http://www.dianping.com/shanghai/hotel/p1'

headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'}

resp = requests.get(url, headers=headers)

resp

<Response [200]>

response200说明访问似乎还是正常的，但是不要掉以轻心，最好顺便检查下返回的网页源代码数据。

检查方法

网页中某字段，是否出现在resp.text中。一般多找几次，确认resp.text与网页内容能对应上，能对应上那就说明访问是成功的。

resp.text

3. 解析数据

解析数据可以用pyquery或者re库，本教程只抓酒店名、地址、距离等少数几个字段，只用pyquery就能很好的定位。

这里需要大家熟悉下pyquery使用方法，可以看我的B站视频

https://www.bilibili.com/video/BV1AE411r7ph?p=4

from pyquery import PyQuery

doc = PyQuery(resp.text)
for block in doc.items('.hotelshop-list .hotel-block'):
    name = block('.hotel-name a').text()
    loc = block('.place').text()
    quyu = loc.split('，')[0]
    distance = loc.split('，')[-1]
    print(name, quyu, distance)

上海佘山世茂洲际酒店  松江区  距离松江站9.6km
上海和平饭店  南京东路  距离和平饭店30m
上海宝格丽酒店  大悦城  距离天潼路地铁站175m
上海迪士尼乐园酒店  迪士尼  距离迪士尼地铁站710m
上海外滩W酒店  北外滩/外白渡桥  距离国际客运中心地铁站205m
上海也山花园酒店(崇明森林公园店)  东平森林公园  1km内无地铁站
上海外滩华尔道夫酒店  外滩  距离威斯汀大酒店340m
上海半岛酒店  外滩  距离和平饭店285m
御宿和庭酒店  梅川路  距离中环百联400m
上海外滩悦榕庄酒店  北外滩/外白渡桥  距离提篮桥地铁站440m
上海鲁能JW万豪侯爵酒店  塘桥  距离塘桥地铁站870m
上海浦东香格里拉大酒店  陆家嘴  距离正大广场180m
上海浦东丽思卡尔顿酒店  陆家嘴  距离国金中心35m
养云安缦酒店  闵行区  距离松江站12.1km
上海怡沁园度假村  东平森林公园  1km内无地铁站

4. 存储数据

推荐大家用csv存储

csv视频教程  https://www.bilibili.com/video/BV1eb411h7sP?p=13

import csv

csvf = open('data/dianping.csv', 'a+', encoding='utf-8', newline='')
fieldnames = ['hotel', 'quyu', 'distance']
writer = csv.DictWriter(csvf, fieldnames=fieldnames)
writer.writeheader()


doc = PyQuery(resp.text)
for block in doc.items('.hotelshop-list .hotel-block'):
    name = block('.hotel-name a').text()
    loc = block('.place').text()
    quyu = loc.split('，')[0]
    distance = loc.split('，')[-1]
    data = {'hotel': name,
            'quyu': quyu,
            'distance': distance}
    writer.writerow(data)
    
csvf.close()

5. 整合

前面几个步骤都成功后，我们可以把1-4整理合并成一个完整的代码。

复制粘贴代码时要注意代码层次。

类似的实战教程，大家可以看一下

https://www.bilibili.com/video/BV1AE411r7ph?p=5

import requests
from pyquery import PyQuery
import csv
import time


#新建csv
csvf = open('data/dianping.csv', 'a+', encoding='utf-8', newline='')
fieldnames = ['hotel', 'quyu', 'distance']
writer = csv.DictWriter(csvf, fieldnames=fieldnames)
writer.writeheader()


#批量生成网址url
template = 'http://www.dianping.com/shanghai/hotel/p{page}'
for page in range(1, 51):
    url = template.format(page=page)
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'}
    
    #访问url
    resp = requests.get(url, headers=headers)
    time.sleep(1)
    #解析网页数据
    doc = PyQuery(resp.text)
    for block in doc.items('.hotelshop-list .hotel-block'):
        name = block('.hotel-name a').text()
        loc = block('.place').text()
        quyu = loc.split('，')[0]
        distance = loc.split('，')[-1]
        
        #构造数据，存入csv
        data = {'hotel': name,
                'quyu': quyu,
                'distance': distance}
        print(page, data)
        writer.writerow(data)
        

#关闭csv
csvf.close()      

近期文章

Python网络爬虫与文本数据分析

rpy2库 | 在jupyter中调用R语言代码
tidytext | 耳目一新的R-style文本分析库
reticulate包 | 在Rmarkdown中调用Python代码
plydata库 | 数据操作管道操作符>>
plotnine: Python版的ggplot2作图库

七夕礼物 | 全网最火的钉子绕线图制作教程

读完本文你就了解什么是文本分析

文本分析在经管领域中的应用概述  
综述:文本分析在市场营销研究中的应用

plotnine: Python版的ggplot2作图库
小案例: Pandas的apply方法  
stylecloud:简洁易用的词云库 
用Python绘制近20年地方财政收入变迁史视频  
Wow~70G上市公司定期报告数据集

漂亮~pandas可以无缝衔接Bokeh  
YelpDaset: 酒店管理类数据集10+G  

• “分享”和“在看”是更好的支持！