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！
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： 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}) 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： 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( ' 条点评' , '' )) for k in node] 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，那么说明蚂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： 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' ) 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TOP15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。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 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，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' ) 文中所有涉及到的代码已经发到Github上了，欢迎大家自取： https://github.com/shujusenlin/mafengwo_data。 原文发布时间为：2018-08-13 本文来自云栖社区合作伙伴“ CDA数据分析师”，了解相关信息可以关注“ CDA数据分析师”。
