杨利霞 发表于 2020-7-7 16:39

Python爬取和分析旅游数据


Python爬取和分析旅游数据
01 数据爬取
最近几天朋友圈被大家的旅行足迹刷屏了,惊叹于那些把全国所有省基本走遍的朋友。与此同时,也萌生了写一篇旅行相关的内容,本次数据来源于一个对于爬虫十分友好的旅行攻略类网站:马蜂窝。
1. 获得城市编号
马蜂窝中的所有城市、景点以及其他的一些信息都有一个专属的5位数字编号,我们第一步要做的就是获取城市(直辖市+地级市)的编号,进行后续的进一步分析。


以上两个页面就是我们的城市编码来源,需要首先从目的地页面获得各省编码,之后进入各省城市列表获得编码。过程中需要Selenium进行动态数据爬取,部分代码如下:(可左右滑动查看、复制编辑)
[*]

def find_cat_url(url):  


[*]

    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}      


[*]

    req=request.Request(url,headers=headers)  


[*]

    html=urlopen(req)  


[*]

    bsObj=BeautifulSoup(html.read(),"html.parser")


[*]

    bs = bsObj.find('div',attrs={'class':'hot-list clearfix'}).find_all('dt')


[*]




[*]

    cat_url = []


[*]

    cat_name = []


[*]

    for i in range(0,len(bs)):


[*]

        for j in range(0,len(bs.find_all('a'))):


[*]

            cat_url.append(bs.find_all('a').attrs['href'])


[*]

            cat_name.append(bs.find_all('a').text)


[*]

    cat_url = ['http://www.mafengwo.cn'+cat_url for i in range(0,len(cat_url))]   


[*]

    return cat_url


[*]




[*]

def find_city_url(url_list):


[*]

    city_name_list = []


[*]

    city_url_list = []


[*]




[*]

    for i in range(0,len(url_list)):            


[*]

        driver = webdriver.Chrome()


[*]

        driver.maximize_window()


[*]

        url = url_list.replace('travel-scenic-spot/mafengwo','mdd/citylist')


[*]

        driver.get(url)


[*]




[*]

    while True:


[*]

        try:


[*]

            time.sleep(2)


[*]

            bs = BeautifulSoup(driver.page_source,'html.parser')


[*]

            url_set = bs.find_all('a',attrs={'data-type':'目的地'})


[*]

            city_name_list = city_name_list +.text.replace('\n','').split()[0] for i in range(0,len(url_set))]


[*]

            city_url_list = city_url_list+.attrs['data-id'] for i in range(0 ,len(url_set))]               


[*]

            js="var q=document.documentElement.scrollTop=800"


[*]

            driver.execute_script(js)


[*]

            time.sleep(2)


[*]

            driver.find_element_by_class_name('pg-next').click()


[*]

        except:  


[*]

            break


[*]

        driver.close()


[*]

    return city_name_list,city_url_list


[*]




[*]

url = 'http://www.mafengwo.cn/mdd/'


[*]

url_list = find_cat_url(url)


[*]

city_name_list,city_url_list=find_city_url(url_list)


[*]

city = pd.DataFrame({'city':city_name_list,'id':city_url_list})



2. 获得城市信息城市数据分别从以下几个页面获取:我们将每个城市获取数据的过程封装成函数,每次传入之前获得的城市编码,部分代码如下:
[*]

def get_city_info(city_name,city_code):


[*]




[*]

   this_city_base = get_city_base(city_name,city_code)


[*]




[*]

   this_city_jd = get_city_jd(city_name,city_code)


[*]




[*]

   this_city_jd['city_name'] = city_name


[*]




[*]

   this_city_jd['total_city_yj'] = this_city_base['total_city_yj']


[*]




[*]

   try:


[*]




[*]

       this_city_food = get_city_food(city_name,city_code)


[*]




[*]

       this_city_food['city_name'] = city_name


[*]




[*]

       this_city_food['total_city_yj'] = this_city_base['total_city_yj']


[*]




[*]

   except:


[*]




[*]

       this_city_food=pd.DataFrame()


[*]




[*]

   return this_city_base,this_city_food,this_city_jd


[*]




[*]

def get_city_base(city_name,city_code):


[*]




[*]

   url = 'http://www.mafengwo.cn/xc/'+str(city_code)+'/'


[*]




[*]

   bsObj = get_static_url_content(url)


[*]




[*]

   node =  bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('a')


[*]




[*]

   tag = .text.split()[0] for i in range(0,len(node))]


[*]




[*]

   tag_node = bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('em')


[*]




[*]

   tag_count = for k in tag_node]


[*]




[*]

   par = 'href'][1:3] for k in node]


[*]




[*]

   tag_all_count = sum() for i in range(0,len(tag_count))])


[*]




[*]

   tag_jd_count = sum() for i in range(0,len(tag_count)) if par=='jd'])


[*]




[*]

   tag_cy_count = sum() for i in range(0,len(tag_count)) if par=='cy'])


[*]




[*]

   tag_gw_yl_count = sum() for i in range(0,len(tag_count)) if par in ['gw','yl']])


[*]




[*]

   url = 'http://www.mafengwo.cn/yj/'+str(city_code)+'/2-0-1.html '


[*]




[*]

   bsObj = get_static_url_content(url)  


[*]




[*]

   total_city_yj = int(bsObj.find('span',{'class':'count'}).find_all('span')[1].text)


[*]




[*]

   return {'city_name':city_name,'tag_all_count':tag_all_count,'tag_jd_count':tag_jd_count,


[*]




[*]

           'tag_cy_count':tag_cy_count,'tag_gw_yl_count':tag_gw_yl_count,


[*]




[*]

           'total_city_yj':total_city_yj}


[*]




[*]

def get_city_food(city_name,city_code):


[*]




[*]

   url = 'http://www.mafengwo.cn/cy/'+str(city_code)+'/gonglve.html'


[*]




[*]

   bsObj = get_static_url_content(url)


[*]




[*]

   food=for k in bsObj.find('ol',{'class':'list-rank'}).find_all('h3')]


[*]




[*]

   food_count=for k in bsObj.find('ol',{'class':'list-rank'}).find_all('span',{'class':'trend'})]


[*]




[*]

   return pd.DataFrame({'food':food[0:len(food_count)],'food_count':food_count})


[*]




[*]

def get_city_jd(city_name,city_code):


[*]




[*]

   url = 'http://www.mafengwo.cn/jd/'+str(city_code)+'/gonglve.html'


[*]




[*]

   bsObj = get_static_url_content(url)


[*]




[*]

   node=bsObj.find('div',{'class':'row-top5'}).find_all('h3')


[*]




[*]

   jd = '\n')[2] for k in node]


[*]




[*]

   node=bsObj.find_all('span',{'class':'rev-total'})


[*]




[*]

   jd_count=' 条点评','')) for k in node]


[*]




[*]

   return pd.DataFrame({'jd':jd[0:len(jd_count)],'jd_count':jd_count})



02 数据分析:
1. 城市数据首先我们看一下游记数量最多的TOP10城市:
游记数量TOP10数量基本上与我们日常所了解的热门城市相符,我们进一步根据各个城市游记数量获得全国旅行目的地热力图:
看到这里,是不是有种似曾相识的感觉,如果你在朋友圈晒的足迹图与这幅图很相符,那么说明马蜂窝的数据与你不谋而合。最后我们看一下大家对于各个城市的印象是如何的,方法就是提取标签中的属性,我们将属性分为了休闲、饮食、景点三组,分别看一下每一组属性下大家印象最深的城市:

看来对于马蜂窝的用户来说,厦门给大家留下的印象是非常深的,不仅游记数量充足,并且能从中提取的有效标签也非常多。重庆、西安、成都也无悬念的给吃货们留下了非常深的印象,部分代码如下:
[*]

bar1 = Bar("餐饮类标签排名")


[*]




[*]

bar1.add("餐饮类标签分数", city_aggregate.sort_values('cy_point',0,False)['city_name'][0:15],


[*]




[*]

        city_aggregate.sort_values('cy_point',0,False)['cy_point'][0:15],


[*]




[*]

        is_splitline_show =False,xaxis_rotate=30)


[*]




[*]

bar2 = Bar("景点类标签排名",title_top="30%")


[*]




[*]

bar2.add("景点类标签分数", city_aggregate.sort_values('jd_point',0,False)['city_name'][0:15],


[*]




[*]

        city_aggregate.sort_values('jd_point',0,False)['jd_point'][0:15],


[*]




[*]

        legend_top="30%",is_splitline_show =False,xaxis_rotate=30)


[*]




[*]

bar3 = Bar("休闲类标签排名",title_top="67.5%")


[*]




[*]

bar3.add("休闲类标签分数", city_aggregate.sort_values('xx_point',0,False)['city_name'][0:15],


[*]




[*]

        city_aggregate.sort_values('xx_point',0,False)['xx_point'][0:15],


[*]




[*]

        legend_top="67.5%",is_splitline_show =False,xaxis_rotate=30)


[*]




[*]

grid = Grid(height=800)


[*]




[*]

grid.add(bar1, grid_bottom="75%")


[*]




[*]

grid.add(bar2, grid_bottom="37.5%",grid_top="37.5%")


[*]




[*]

grid.add(bar3, grid_top="75%")


[*]




[*]

grid.render('城市分类标签.html')


[*]




2. 景点数据
我们提取了各个景点评论数,并与城市游记数量进行对比,分别得到景点评论的绝对值和相对值,并据此计算景点的人气、代表性两个分数,最终排名TOP15的景点如下:
马蜂窝网友对于厦门真的是情有独钟,鼓浪屿也成为了最具人气的景点,在城市代表性方面西塘古镇和羊卓雍措位列前茅。小长假来临之际,如果担心上排的景点人太多,不妨从下排的景点中挖掘那些人少景美的旅游地。
3. 小吃数据
最后我们看一下大家最关注的的与吃相关的数据,处理方法与PART2景点数据相似,我们分别看一下最具人气和最具城市代表性的小吃:出乎意料,马蜂窝网友对厦门果真爱得深沉,让沙茶面得以超过火锅、烤鸭、肉夹馍跻身最具人气的小吃。在城市代表性方面,海鲜的出场频率非常高,这点与大(ben)家(ren)的认知也不谋而合,PART2与3的部分代码如下:
[*]

bar1 = Bar("景点人气排名")


[*]




[*]

bar1.add("景点人气分数", city_jd_com.sort_values('rq_point',0,False)['jd'][0:15],


[*]




[*]

        city_jd_com.sort_values('rq_point',0,False)['rq_point'][0:15],


[*]




[*]

        is_splitline_show =False,xaxis_rotate=30)


[*]




[*]

bar2 = Bar("景点代表性排名",title_top="55%")


[*]




[*]

bar2.add("景点代表性分数", city_jd_com.sort_values('db_point',0,False)['jd'][0:15],


[*]




[*]

        city_jd_com.sort_values('db_point',0,False)['db_point'][0:15],


[*]




[*]

        is_splitline_show =False,xaxis_rotate=30,legend_top="55%")


[*]




[*]

grid=Grid(height=800)


[*]




[*]

grid.add(bar1, grid_bottom="60%")


[*]




[*]

grid.add(bar2, grid_top="60%",grid_bottom="10%")


[*]




[*]

grid.render('景点排名.html')



暗叶i 发表于 2020-7-7 18:36

厉害了,感觉很深奥 看不懂啊
页: [1]
查看完整版本: Python爬取和分析旅游数据