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!

开发 后端 数据分析
正值火辣的暑假,朋友圈已经被大家的旅行足迹刷屏了,真的十分惊叹于那些把全国所有省基本走遍的朋友们。与此同时,也就萌生了写篇旅行相关的内容,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:蚂蜂窝。

[[240129]]

正值火辣的暑假,朋友圈已经被大家的旅行足迹刷屏了,真的十分惊叹于那些把全国所有省基本走遍的朋友们。与此同时,也就萌生了写篇旅行相关的内容,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:蚂蜂窝。

一、获得城市编号

蚂蜂窝中的所有城市、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***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: 

  1. def find_cat_url(url):    
  2.    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}     
  3.  
  4.    req=request.Request(url,headers=headers)    
  5.    html=urlopen(req)    
  6.    bsObj=BeautifulSoup(html.read(),"html.parser" 
  7.    bs = bsObj.find('div',attrs={'class':'hot-list clearfix'}).find_all('dt' 
  8.    cat_url = []  
  9.    cat_name = []  
  10.    for i in range(0,len(bs)):  
  11.        for j in range(0,len(bs[i].find_all('a'))):  
  12.            cat_url.append(bs[i].find_all('a')[j].attrs['href'])  
  13.            cat_name.append(bs[i].find_all('a')[j].text)  
  14.    cat_url = ['http://www.mafengwo.cn'+cat_url[i] for i in range(0,len(cat_url))]    
  15.    return cat_url  
  16. def find_city_url(url_list):  
  17.    city_name_list = []  
  18.    city_url_list = []  
  19.    for i in range(0,len(url_list)):       
  20.  
  21.        driver = webdriver.Chrome()  
  22.        driver.maximize_window()  
  23.        url = url_list[i].replace('travel-scenic-spot/mafengwo','mdd/citylist' 
  24.        driver.get(url)  
  25.        while True
  26.             try:  
  27.                time.sleep(2)  
  28.                bs = BeautifulSoup(driver.page_source,'html.parser' 
  29.                url_set = bs.find_all('a',attrs={'data-type':'目的地'})  
  30.                city_name_list = city_name_list +[url_set[i].text.replace('\n','').split()[0] for i in range(0,len(url_set))]  
  31.                city_url_list = city_url_list+[url_set[i].attrs['data-id'for i in range(0,len(url_set))]           
  32.                 js="var q=document.documentElement.scrollTop=800"    
  33.                driver.execute_script(js)  
  34.                time.sleep(2)  
  35.                driver.find_element_by_class_name('pg-next').click()  
  36.            except 
  37.                break  
  38.        driver.close()  
  39.    return city_name_list,city_url_list  
  40. url = 'http://www.mafengwo.cn/mdd/'  
  41. url_list = find_cat_url(url)  
  42. city_name_list,city_url_list=find_city_url(url_list)  
  43. city = pd.DataFrame({'city':city_name_list,'id':city_url_list}) 

二、获得城市信息

城市数据分别从以下几个页面获取:

(a)小吃页面 

(b)景点页面 

(c)标签页面 

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: 

  1. def get_city_info(city_name,city_code):  
  2.    this_city_base = get_city_base(city_name,city_code)  
  3.    this_city_jd = get_city_jd(city_name,city_code)  
  4.    this_city_jd['city_name'] = city_name  
  5.    this_city_jd['total_city_yj'] = this_city_base['total_city_yj' 
  6.    try:  
  7.        this_city_food = get_city_food(city_name,city_code)  
  8.        this_city_food['city_name'] = city_name  
  9.        this_city_food['total_city_yj'] = this_city_base['total_city_yj'
  10.  
  11.    except
  12.  
  13.        this_city_food=pd.DataFrame()  
  14.    return this_city_base,this_city_food,this_city_jd  
  15. def get_city_base(city_name,city_code):  
  16.    url = 'http://www.mafengwo.cn/xc/'+str(city_code)+'/'  
  17.    bsObj = get_static_url_content(url)  
  18.    node =  bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('a' 
  19.    tag = [node[i].text.split()[0] for i in range(0,len(node))]  
  20.    tag_node = bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('em' 
  21.    tag_count = [int(k.text) for k in tag_node]  
  22.    par = [k.attrs['href'][1:3] for k in node]  
  23.    tag_all_count = sum([int(tag_count[i]) for i in range(0,len(tag_count))])  
  24.    tag_jd_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='jd'])  
  25.    tag_cy_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i]=='cy'])  
  26.    tag_gw_yl_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i] in ['gw','yl']])  
  27.    url = 'http://www.mafengwo.cn/yj/'+str(city_code)+'/2-0-1.html '  
  28.    bsObj = get_static_url_content(url) 
  29.  
  30.    total_city_yj = int(bsObj.find('span',{'class':'count'}).find_all('span')[1].text)  
  31.    return {'city_name':city_name,'tag_all_count':tag_all_count,'tag_jd_count':tag_jd_count,  
  32.            'tag_cy_count':tag_cy_count,'tag_gw_yl_count':tag_gw_yl_count,  
  33.            'total_city_yj':total_city_yj} 
  34.  
  35. def get_city_food(city_name,city_code):  
  36.    url = 'http://www.mafengwo.cn/cy/'+str(city_code)+'/gonglve.html'  
  37.    bsObj = get_static_url_content(url)  
  38.    food=[k.text for k in bsObj.find('ol',{'class':'list-rank'}).find_all('h3')]  
  39.    food_count=[int(k.text) for k in bsObj.find('ol',{'class':'list-rank'}).find_all('span',{'class':'trend'})]  
  40.    return pd.DataFrame({'food':food[0:len(food_count)],'food_count':food_count})  
  41. def get_city_jd(city_name,city_code):  
  42.    url = 'http://www.mafengwo.cn/jd/'+str(city_code)+'/gonglve.html'  
  43.    bsObj = get_static_url_content(url)  
  44.    node=bsObj.find('div',{'class':'row-top5'}).find_all('h3' 
  45.    jd = [k.text.split('\n')[2] for k in node]  
  46.    node=bsObj.find_all('span',{'class':'rev-total'})  
  47.    jd_count=[int(k.text.replace(' 条点评','')) for k in node]  
  48.    return pd.DataFrame({'jd':jd[0:len(jd_count)],'jd_count':jd_count}) 

三、数据分析

PART1:城市数据

首先我们看一下游记数量最多的***0城市: 

游记数量***0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,那么说明蚂蜂窝的数据与你不谋而合。

***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: 

看来对于蚂蜂窝的用户来说,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、成都也无悬念地给吃货们留下了非常深的印象,部分代码如下: 

  1. bar1 = Bar("餐饮类标签排名" 
  2. bar1.add("餐饮类标签分数", city_aggregate.sort_values('cy_point',0,False)['city_name'][0:15],  
  3.         city_aggregate.sort_values('cy_point',0,False)['cy_point'][0:15],  
  4.         is_splitline_show =False,xaxis_rotate=30)  
  5. bar2 = Bar("景点类标签排名",title_top="30%" 
  6. bar2.add("景点类标签分数", city_aggregate.sort_values('jd_point',0,False)['city_name'][0:15],  
  7.         city_aggregate.sort_values('jd_point',0,False)['jd_point'][0:15],  
  8.         legend_top="30%",is_splitline_show =False,xaxis_rotate=30)  
  9. bar3 = Bar("休闲类标签排名",title_top="67.5%" 
  10. bar3.add("休闲类标签分数", city_aggregate.sort_values('xx_point',0,False)['city_name'][0:15],  
  11.         city_aggregate.sort_values('xx_point',0,False)['xx_point'][0:15],  
  12.         legend_top="67.5%",is_splitline_show =False,xaxis_rotate=30)  
  13. grid = Grid(height=800)  
  14. grid.add(bar1, grid_bottom="75%" 
  15. grid.add(bar2, grid_bottom="37.5%",grid_top="37.5%" 
  16. grid.add(bar3, grid_top="75%"
  17.  grid.render('城市分类标签.html'

PART2: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***5的景点如下: 

蚂蜂窝网友对于厦门真的是情有独钟,鼓浪屿也成为了***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。暑假之际,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。

PART3:小吃数据

***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***人气和***城市代表性的小吃。 

出乎意料,蚂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***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: 

  1. bar1 = Bar("景点人气排名" 
  2. bar1.add("景点人气分数", city_jd_com.sort_values('rq_point',0,False)['jd'][0:15],  
  3.         city_jd_com.sort_values('rq_point',0,False)['rq_point'][0:15],  
  4.         is_splitline_show =False,xaxis_rotate=30)  
  5. bar2 = Bar("景点代表性排名",title_top="55%" 
  6. bar2.add("景点代表性分数", city_jd_com.sort_values('db_point',0,False)['jd'][0:15],  
  7.         city_jd_com.sort_values('db_point',0,False)['db_point'][0:15],  
  8.         is_splitline_show =False,xaxis_rotate=30,legend_top="55%" 
  9. grid=Grid(height=800)  
  10. grid.add(bar1, grid_bottom="60%" 
  11. grid.add(bar2, grid_top="60%",grid_bottom="10%"
  12.  grid.render('景点排名.html'

文中所有涉及到的代码已经发到Github上了,欢迎大家自取:

http://github.com/shujusenlin/mafengwo_data。

作者:徐麟,知乎同名专栏作者,目前就职于上海唯品会产品技术中心,哥大统计数据狗,从事数据挖掘&分析工作,喜欢用R&Python玩一些不一样的数据。

责任编辑:未丽燕 来源: 数据森麟
相关推荐

2019-06-11 12:19:10

ABTest分流系统

2019-02-18 15:23:21

马蜂窝MESLambda

2019-02-19 15:20:12

消息总线架构异步

2020-01-03 09:53:36

Kafka集群优化

2020-03-22 15:49:27

Kafka马蜂窝大数据平台

2017-09-17 10:05:20

Python景点国庆

2019-06-11 11:18:40

容灾缓存设计

2019-03-25 15:14:19

Flutter马蜂窝开发

2019-02-27 15:24:54

马蜂窝游抢单系统

2019-04-26 15:16:02

马蜂窝火车票系统

2022-06-20 09:00:00

深度学习人工智能研究

2019-12-17 14:59:27

数据中台数据仓库马蜂窝

2018-10-29 12:27:20

2019-03-29 08:21:51

马蜂窝Golang并发代理

2020-02-21 16:20:37

系统驱动项目管理

2018-10-26 16:00:39

程序员爬虫马蜂窝

2020-01-10 15:57:03

JavaScript开发 技巧

2019-04-12 14:22:40

马蜂窝机票订单

2019-02-18 09:45:53

CIO预算BI
点赞
收藏

51CTO技术栈公众号