python dictwriter_手把手教你写爬虫 |Python 采集大众点评数据采集实战

最新推荐文章于 2022-05-07 09:15:36 发布

weixin_39796238

最新推荐文章于 2022-05-07 09:15:36 发布

阅读量172

点赞数

文章标签： python dictwriter

任务

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

私信小编01即可获取大量Python学习资料

1. 发现网址规律url

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 requestsurl = '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)print(resp)

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。

from pyquery import PyQuerydoc = 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

import csvcsvf = 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。

import requestsfrom pyquery import PyQueryimport csvimport time#新建csvcsvf = 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urltemplate = '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csvcsvf.close()