Python 爬取了马蜂窝的出行数据，告诉你这个夏天哪里最值得去！
文章由數(shù)據(jù)森麟出品
作者徐麟
正值火辣的暑假，朋友圈已經(jīng)被大家的旅行足跡刷屏了，真的十分驚嘆于那些把全國所有省基本走遍的朋友們。與此同時，也就萌生了寫篇旅行相關的內(nèi)容，本次數(shù)據(jù)來源于一個對于爬蟲十分友好的旅行攻略類網(wǎng)站：螞蜂窩。
獲得城市編號
螞蜂窩中的所有城市、景點以及其他的一些信息都有一個專屬的5位數(shù)字編號，我們第一步要做的就是獲取城市（直轄市+地級市）的編號，進行后續(xù)的進一步分析。
以上兩個頁面就是我們的城市編碼來源。需要首先從目的地頁面獲得各省編碼，之后進入各省城市列表獲得編碼。
過程中需要Selenium進行動態(tài)數(shù)據(jù)爬取，部分代碼如下：
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[i].find_all('a'))):
? ? ? ? ? ?cat_url.append(bs[i].find_all('a')[j].attrs['href'])
? ? ? ? ? ?cat_name.append(bs[i].find_all('a')[j].text)
? ?cat_url = ['http://www.mafengwo.cn'+cat_url[i] 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[i].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[i].text.replace('\n','').split()[0] for i in range(0,len(url_set))]
? ? ? ? ? ? ? ?city_url_list = city_url_list+[url_set[i].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})
獲得城市信息
城市數(shù)據(jù)分別從以下幾個頁面獲取：
（a）小吃頁面
（b）景點頁面
（c）標簽頁面
我們將每個城市獲取數(shù)據(jù)的過程封裝成函數(shù)，每次傳入之前獲得的城市編碼，部分代碼如下：
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[i].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[i]) for i in range(0,len(tag_count))])
? ?tag_jd_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='jd'])
? ?tag_cy_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='cy'])
? ?tag_gw_yl_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i] 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(' 條點評','')) for k in node]
? ?return pd.DataFrame({'jd':jd[0:len(jd_count)],'jd_count':jd_count})
數(shù)據(jù)分析
PART1：城市數(shù)據(jù)
首先我們看一下游記數(shù)量最多的TOP10城市：
游記數(shù)量TOP10數(shù)量基本上與我們?nèi)粘Ｋ私獾臒衢T城市相符，我們進一步根據(jù)各個城市游記數(shù)量獲得全國旅行目的地熱力圖：
看到這里，是不是有種似曾相識的感覺，如果你在朋友圈曬的足跡圖與這幅圖很相符，那么說明螞蜂窩的數(shù)據(jù)與你不謀而合。
最后我們看一下大家對于各個城市的印象是如何的，方法就是提取標簽中的屬性，我們將屬性分為了休閑、飲食、景點三組，分別看一下每一組屬性下大家印象最深的城市：
看來對于螞蜂窩的用戶來說，廈門給大家留下的印象是非常深的，不僅游記數(shù)量充足，并且能從中提取的有效標簽也非常多。重慶、西安、成都也無懸念地給吃貨們留下了非常深的印象，部分代碼如下：
bar1 = Bar("餐飲類標簽排名")
bar1.add("餐飲類標簽分數(shù)", 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("景點類標簽排名",title_top="30%")
bar2.add("景點類標簽分數(shù)", 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("休閑類標簽排名",title_top="67.5%")
bar3.add("休閑類標簽分數(shù)", 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('城市分類標簽.html')
PART2：景點數(shù)據(jù)
我們提取了各個景點評論數(shù)，并與城市游記數(shù)量進行對比，分別得到景點評論的絕對值和相對值，并據(jù)此計算景點的人氣、代表性兩個分數(shù)，最終排名TOP15的景點如下：
螞蜂窩網(wǎng)友對于廈門真的是情有獨鐘，鼓浪嶼也成為了最具人氣的景點，在城市代表性方面西塘古鎮(zhèn)和羊卓雍措位列前茅。暑假之際，如果擔心上排的景點人太多，不妨從下排的景點中挖掘那些人少景美的旅游地。
PART3：小吃數(shù)據(jù)
最后我們看一下大家最關注的的與吃相關的數(shù)據(jù)，處理方法與PART2景點數(shù)據(jù)相似，我們分別看一下最具人氣和最具城市代表性的小吃。
出乎意料，螞蜂窩網(wǎng)友對廈門果真愛得深沉，讓沙茶面得以超過火鍋、烤鴨、肉夾饃躋身最具人氣的小吃。
在城市代表性方面，海鮮的出場頻率非常高，這點與大（ben）家（ren）的認知也不謀而合，PART2與3的部分代碼如下：
bar1 = Bar("景點人氣排名")
bar1.add("景點人氣分數(shù)", 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("景點代表性排名",title_top="55%")
bar2.add("景點代表性分數(shù)", 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('景點排名.html')
文中所有涉及到的代碼已經(jīng)發(fā)到Github上了，歡迎大家自取：
https://github.com/shujusenlin/mafengwo_data。
作者：徐麟，知乎同名專欄作者，目前就職于上海唯品會產(chǎn)品技術中心，哥大統(tǒng)計數(shù)據(jù)狗，從事數(shù)據(jù)挖掘&分析工作，喜歡用R&Python玩一些不一樣的數(shù)據(jù)，個人公眾號數(shù)據(jù)森麟（ID:shujusenlin）。
總結(jié)
以上是生活随笔為你收集整理的Python 爬取了马蜂窝的出行数据，告诉你这个夏天哪里最值得去！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 杭州热电上演天地板 涨停到跌停令人心惊
- 下一篇： 捷捷微电公司待遇 为你整理一下信息