请选择 进入手机版 | 继续访问电脑版

QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3200|回复: 1

Python爬取和分析旅游数据

[复制链接]
字体大小: 正常 放大
杨利霞        

5250

主题

81

听众

16万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    发表于 2020-7-7 16:39 |显示全部楼层
    |招呼Ta 关注Ta

    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')[j].attrs['href'])



    •             cat_name.append(bs.find_all('a')[j].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 +[url_set.text.replace('\n','').split()[0] for i in range(0,len(url_set))]



    •             city_url_list = city_url_list+[url_set.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 = [node.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 = [int(k.text) for k in tag_node]







    •    par = [k.attrs['href'][1:3] for k in node]







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







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







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







    •    tag_gw_yl_count = sum([int(tag_count) 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=[k.text for k in bsObj.find('ol',{'class':'list-rank'}).find_all('h3')]







    •    food_count=[int(k.text) 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 = [k.text.split('\n')[2] for k in node]







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







    •    jd_count=[int(k.text.replace(' 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')



    用Python爬取分析全国旅游数据.docx

    460.85 KB, 下载次数: 2, 下载积分: 体力 -2 点

    售价: 4 点体力  [记录]

    zan
    暗叶i        

    0

    主题

    2

    听众

    102

    积分

    升级  1%

  • TA的每日心情
    奋斗
    2021-1-11 14:54
  • 签到天数: 53 天

    [LV.5]常住居民I

    邮箱绑定达人

    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2024-3-28 19:57 , Processed in 0.447404 second(s), 61 queries .

    回顶部