采集程序只做技术研究使用,切不可做出格的事以免惹来麻烦
https://github.com/owner888/phpspider
本程序所采集的数据都是马蜂窝上面公开的数据,并未触及隐私内容,也不公开数据库,广大网友无需担心。
随着物质的提高,旅游渐渐成为人们的焦点,火热的国庆刚刚过去,乘着这股余热,我想很多人都想知道,大家一般会去哪里玩呢,于是我花了10分钟写了一个采集马蜂窝游记的小程序,当然速度能有这么快,完全依赖于PHP著名爬虫框架phpspider。
国际惯例,我们先来看看代码怎么写,算作抛砖引玉吧 ^_^
马蜂窝不同于常规网站,因为并发量高并且某些数据需要实时,比如观看人数,点赞人数,所以网站多处使用了Ajax,而Ajax对于普通采集者来说,是个比较大的问题。
观察了一下马蜂窝网站,最终确定了采集路线:
获取热门城市 -> 获取城市下的游记列表 -> 获取游记内容 -> 提取游记内容的游记标题、城市、出发时间等,接下来我们用三个步骤来实现它。。。
1、获取热门城市
http://www.mafengwo.cn/mdd/citylist/21536.html
首先我们要采集下这些热门城市
当我们点击页数的时候,发现他的数据是Ajax加载的,末页是297,而且使用的是POST方法
提交的参数如下:
很明显这个page就是页数了,这里就有个问题,phpspider框架是有 URL 去重机制的,POST的话URL只有一个,但是query_string是不影响POST数据的,我们可以在后面加上 ?page=1|2|3…,所以我们代码可以这么写:
设置列表页规则:
PHP
1
2
3
'list_url_regexes'=>array(
"http://www.mafengwo.cn/mdd/base/list/pagedata_citylist?page=d+",
)
在入口回调函数入口所有城市列表:
PHP
1
2
3
4
5
6
7
8
9
10
11
12
13
14
$spider->on_scan_page=function($page,$content,$phpspider)
{
// 上面Ajax分页的末页是297页
for($i=0;$i$url,
'method'=>'post',
'fields'=>array(
'mddid'=>21536,
'page'=>$i,
)
);
// 热点城市列表页URL入队列
$phpspider->add_url($url,$options);
}
};
2、获取热门城市下的游记列表
点击进入一个城市后,我们可以看到他下面的游记列表
当然和上面一样,也是Ajax加载的,我们可以打开chrome的开发者工具,点击Network,然后随意点击一个分页得到Ajax的URL:
和城市列表一样,也是POST,参数如下:
http://www.mafengwo.cn/gonglve/ajax.php?act=get_t…
是直接报错的,他需要来路,综合以上,我们代码可以这么来写:
首先我们要在 on_start 回调函数里面加上来路URL
$spider->on_start=function($phpspider)
{
$phpspider->add_header('Referer','http://www.mafengwo.cn/mdd/citylist/21536.html');
};
和上面获取城市列表一样,设置列表匹配规则:
PHP
1
2
3
'list_url_regexes'=>array(
"http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid=d+",
)
然后在 on_list_page 回调里面判断如果是第一页就获取总页数,然后循环入队列:
PHP
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
preg_match('#共(.*?)页#',$data_page,$out);
for($i=0;$i
{
$v=$page['request']['fields']['mddid'];
$url="http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid={$v}&page={$i}";
$options=array(
'url_type'=>$url,
'method'=>'post',
'fields'=>array(
'mddid'=>$v,
'pageid'=>'mdd_index',
'sort'=>1,
'cost'=>0,
'days'=>0,
'month'=>0,
'tagid'=>0,
'page'=>$i,
)
);
// 游记列表页URL入队列
$phpspider->add_url($url,$options);
}
通过上面两个步骤,我们就把所有热门城市下的游记列表都放入到了队列,接下来我们进行第三步,从这些列表里面获取内容页URL,然后提取内容。
3、获取热门城市下的游记列表
在 on_list_page 方法里面会得到列表页的内容,从这些内容里面我们可以提取内容页的URL
PHP
1
2
3
4
5
6
7
8
9
10
11
// 获取内容页
preg_match_all('##',$html,$out);
if(!empty($out[1]))
{
foreach($out[1]as$v)
{
$url="http://www.mafengwo.cn/i/{$v}.html";
// 内容页URL入队列
$phpspider->add_url($url);
}
}
接下来我们来配置field提取内容页字段
PHP
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
'fields'=>array(
// 标题
array(
'name'=>"name",
'selector'=>"//h1[contains(@class,'headtext')]",
'required'=>true,
),
// 分类
array(
'name'=>"city",
'selector'=>"//div[contains(@class,'relation_mdd')]//a",
'required'=>true,
),
// 出发时间
array(
'name'=>"date",
'selector'=>"//li[contains(@class,'time')]",
'required'=>true,
),
)
设计一张数据表:
当然我们还可以获取游记的浏览量、收藏、分享、置顶、游玩金额等等,太多了,方法类似。
到此程序就设计完了,总共不到200行的代码,得益于phpspider自带了多进程采集功能,数据很快就采集完成,总共7W多点。
得到这些数据以后,我们能干什么呢?!
Top10 旅游城市分别是
可以看得出,云南是一个好地方,也是博主日夜思念的地方啊。。。
五一和国庆期间旅游城市占比
可以看得出,五一的时候大家喜欢去西藏玩,国庆却更青睐青岛,好吧,这两个地方博主都没去过,表示好受伤~_~!
接下来我们来看看这一年来北京和杭州的旅游旺季
可以看出七八月份去北京的人会比较多,这个时候北京是最爽的,不热也不冷,博主就曾经有有一年8月份去的北京,舒服死了^_^
我们再来看看杭州
看得出3月底到4月中旬是杭州适合游玩的季节啊,那时候春暖花开,天气也不错,听说太子湾公园每年那时候都会有樱花和郁金花展,非常美,艾玛旅游病又犯了~_~!
好吧,文章到此就结束了,其实还想分析更多,比如采集热门路线啊,热门景点啊,热门图集啊,还有旅游路线的价位啊,最终形成一个旅游的APP。