我把全国旅游数据用Python爬下来后发现，这个地方才是真正的旅游胜地

前言：

Python对于本人来讲也是一个在逐渐学习掌握的过程，这次的内容就从旅游开始讲起，进入正文前首先附（fang）上（du）最令我垂涎欲滴的海鲜盛宴。

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：蚂蜂窝

PART1：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})

PART2：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})

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‘)#Python学习群631441315 ，群里有大量的PDF书籍、教程免费使用！不管是学习到哪个阶段的小伙伴都可以获取到自己需要的教程！

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。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。

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‘)

原文地址：https://www.cnblogs.com/qingdeng123/p/11741144.html

时间： 2024-11-01 20:22:40

我把全国旅游数据用Python爬下来后发现，这个地方才是真正的旅游胜地的相关文章

Python 爬起数据时 'gbk' codec can't encode character '\xa0' 的问题

1.被这个问题折腾了一上午终于解决了,再网上看到有用  string.replace(u'\xa0',u' ') 替换成空格的,方法试了没用. 后来发现 要在open的时候加utf-8才解决问题. 以为就这样万事大吉了,运行又出现新问题了,爬去的内容是乱码,而源码是正常的,这不是怪了嘛,想想肯定是页面没用utf-8 把utf-8 加上之后,问题完美解决 Python 爬起数据时 'gbk' codec can't encode character '\xa0' 的问题

Python爬取京东商品数据

对京东某一商品信息页面的HTML代码进行分析,可以发现它的图书产品信息页面都含有这样一段代码(不同类的商品页面有些不同): window.pageConfig={compatible:true,searchType: 1,product:{"skuid":"11408255","name":"\u4f17\u795e\u7684\u536b\u661f\uff1a\u4e2d\u56fd\u7981\u533a","

python爬取数据被限制？一招教你伪造反爬技术！

1.Headers限制 这应该是最常见的,最基本的反爬虫手段,主要是初步判断你是否是真实的浏览器在操作. 这个一般很好解决,把浏览器中的Headers信息复制上去就OK了. 值得注意的是,很多网站只需要userAgent信息就可以通过,但是有的网站还需要验证一些其他的信息,比如知乎,有一些页面还需要 authorization 的信息.所以需要加哪些Headers,还需要尝试,可能还需要Referer.Accept-encoding等信息. 2.IP限制 限制IP也是很多网站反爬虫的初衷,有些人

python爬取B站千万级数据，发现了这些热门UP主的秘密！

Python(发音:英[?pa?θ?n],美[?pa?θɑ:n]),是一种面向对象.直译式电脑编程语言,也是一种功能强大的通用型语言,已经具有近二十年的发展历史,成熟且稳定.它包含了一组完善而且容易理解的标准库,能够轻松完成很多常见的任务.它的语法非常简捷和清晰,与其它大多数程序设计语言不一样,它使用缩进来定义语句. Python支持命令式程序设计.面向对象程序设计.函数式编程.面向切面编程.泛型编程多种编程范式.与Scheme.Ruby.Perl.Tcl等动态语言一样,Python具备垃圾回收

Python爬取链家二手房数据——重庆地区

最近在学习数据分析的相关知识,打算找一份数据做训练,于是就打算用Python爬取链家在重庆地区的二手房数据. 链家的页面如下: 爬取代码如下: import requests, json, time from bs4 import BeautifulSoup import re, csv def parse_one_page(url): headers={ 'user-agent':'Mozilla/5.0' } r = requests.get(url, headers=headers) so

表哥用Python爬取数千条淘宝商品数据后，发现淘宝这些潜规则！

本文记录了笔者用 Python 爬取淘宝某商品的全过程,并对商品数据进行了挖掘与分析,最终得出结论. 项目内容 本案例选择商品类目:沙发. 数量:共 100 页 4400 个商品. 筛选条件:天猫.销量从高到低.价格 500 元以上. 项目目的 对商品标题进行文本分析,词云可视化 不同关键词 word 对应的 sales 的统计分析 商品的价格分布情况分析 商品的销量分布情况分析 不同价格区间的商品的平均销量分布 商品价格对销量的影响分析 商品价格对销售额的影响分析 不同省份或城市的商品数量分布

python爬取网页数据

python时间戳 将时间戳转为日期 #!/usr/bin/python # -*- coding: UTF-8 -*- # 引入time模块 import time #时间戳 timeStamp = 1581004800 timeArray = time.localtime(timeStamp) #转为年-月-日形式 otherStyleTime = time.strftime("%Y-%m-%d ", timeArray) print(otherStyleTime) python爬

把python爬出来的数据，用pymysql插入数据库中

怎么说呢,这个虽然是装逼的产物,但是还是有一定实用价值的. 先说说我看到这只鸡腿的时候,是怎么吃的: 整体内容可以先分为三部分,抓取数据,整理数据,插入到表. 抓取数据: 拿到网址后,进去看了一下需要的数据都在什么位置,结构了解清楚后就可以准备准备开始把他撸出来了. 想要数据当然要先发个请求咯: #定义一个内置浏览器session s = requests.session() url = 'http://www.310win.com/jingcaizuqiu/rangqiushengpingfu

python爬取某个网站的图片并保存到本地

python爬取某个网站的图片并保存到本地 #coding:utf-8 import urllib import re import sys reload(sys) sys.setdefaultencoding('gb2312') #获取整个页面的数据 def getHtml (url): page = urllib.urlopen(url) html = page.read() return html #保存图片到本地 def getImg(html): reg = r'src="(.+?\.