python爬取大众点评数据_利用Node.js制作爬取大众点评的爬虫

前言

Node.js天生支持并发，但是对于习惯了顺序编程的人，一开始会对Node.js不适应，比如，变量作用域是函数块式的（与C、Java不一样）；for循环体（{}）内引用i的值实际上是循环结束之后的值，因而引起各种undefined的问题；嵌套函数时，内层函数的变量并不能及时传导到外层（因为是异步）等等。

一、API分析

链接：http://m.api.dianping.com/searchshop.json?&regionid=0&start=0&categoryid=10&sortid=0&cityid=110

以GET方式给出了餐馆的信息（JSON格式）。

首先解释下GET参数的含义：

1、start为步进数，表示分步获取信息的index，与nextStartIndex字段相对应；

2、cityid表示城市id，比如，合肥对应于110；

3、regionid表示区域id，每一个id代表含义在start=0时rangeNavs字段中有解释；

4、categoryid表示搜索商家的分类id，比如，美食对应的id为10，具体每一个id的含义参见在start=0时categoryNavs字段；

5、sortid表示商家结果的排序方式，比如，0对应智能排序，2对应评价最好，具体每一个id的含义参见在start=0时sortNavs字段。

在GET返回的JSON串中list字段为商家列表，id表示商家的id，作为商家的唯一标识。在返回的JSON串中是没有商家的口味、环境、服务的评分信息以及经纬度的；

因而我们还需要爬取两个商家页面：http://m.dianping.com/shop/、http://m.dianping.com/shop//map。

通过以上分析，确定爬取策略如下（与dianping_crawler的思路相类似）：

1、逐步爬取searchshop API的取商家基本信息列表；

2、通过爬取的所有商家的id，异步并发爬取评分信息、经纬度；

3、最后将三份数据通过id做聚合，输出成json文件。

二、爬虫实现

Node.js爬虫代码用到如下的第三方模块：

1、superagent，轻量级http请求库，模仿了浏览器登录；

2、cheerio，采用jQuery语法解析HTML元素，跟Python的PyQuery相类似；

3、async，牛逼闪闪的异步流程控制库，Node.js的必学库。

导入依赖库：

声明全局变量，用于存放配置项及中间结果：

ratings var posDict = {}; // id -> pos

判断一个id是否在前面出现过，若object没有该id，则为undefined（注意不是null）：

采取回调函数的方式，实现顺序逐步地递归调用爬虫函数：

start && nextStart < cityOptions.threshHold) { DianpingSpider(regionId,nextStart,function (err,restaurants2) { if (err) return callback(err); callback(null,restaurants.concat(restaurants2)) }); } else { callback(null,restaurants); } }); }

在调用爬虫函数时，采用async的mapLimit函数实现对并发的控制；采用async的until对并发的协同处理，保证三份数据结果的id一致性（不会因为并发完成时间不一致而丢数据）：

其中，parseShop与parseMap分别为解析商家详情页、商家地图页：

div.desc > span"); restaurant.taste = desc.eq(0).text().split(":")[1]; restaurant.surrounding = desc.eq(1).text().split(":")[1]; restaurant.service = desc.eq(2).text().split(":")[1]; ratingDict[id] = restaurant; }); } function parseMap(id) { var mapBase = 'http://m.dianping.com/shop/%s/map'; var mapUrl = util.format(mapBase,id); superagent.get(mapUrl) .end(function (err,res) { if (err) return console.err(err.stack); console.log('crawling map:',mapUrl); var restaurant = {}; var $ = cheerio.load(res.text); var data = $("body > script").text(); var latRegex = /(.*lat:)(\d+.\d+)(.*)/; var lngRegex = /(.*lng:)(\d+.\d+)(.*)/; if(data.match(latRegex) && data.match(lngRegex)) { restaurant.latitude = latRegex.exec(data)[2]; restaurant.longitude = lngRegex.exec(data)[2]; }else { restaurant.latitude = ''; restaurant.longitude = ''; } posDict[id] = restaurant; }); }

将array的每一个商家信息，逐行写入到json文件中：

总结

以上就是这篇文章的全部内容，希望本文能给学习或者使用node.js的朋友们带来一定的帮助，如果有疑问大家可以留言交流。