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!

640?wx_fmt=jpeg

文章由数据森麟出品

作者徐麟

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。

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。

640?wx_fmt=png

640?wx_fmt=png

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.    req=request.Request(url,headers=headers)  

  4.    html=urlopen(req)  

  5.    bsObj=BeautifulSoup(html.read(),"html.parser")

  6.    bs = bsObj.find('div',attrs={'class':'hot-list clearfix'}).find_all('dt')

  7.    cat_url = []

  8.    cat_name = []

  9.    for i in range(0,len(bs)):

  10.        for j in range(0,len(bs[i].find_all('a'))):

  11.            cat_url.append(bs[i].find_all('a')[j].attrs['href'])

  12.            cat_name.append(bs[i].find_all('a')[j].text)

  13.    cat_url = ['http://www.mafengwo.cn'+cat_url[i] for i in range(0,len(cat_url))]  

  14.    return cat_url

  15. def find_city_url(url_list):

  16.    city_name_list = []

  17.    city_url_list = []

  18.    for i in range(0,len(url_list)):            

  19.        driver = webdriver.Chrome()

  20.        driver.maximize_window()

  21.        url = url_list[i].replace('travel-scenic-spot/mafengwo','mdd/citylist')

  22.        driver.get(url)

  23.        while True:

  24.            try:

  25.                time.sleep(2)

  26.                bs = BeautifulSoup(driver.page_source,'html.parser')

  27.                url_set = bs.find_all('a',attrs={'data-type':'目的地'})

  28.                city_name_list = city_name_list +[url_set[i].text.replace('\n','').split()[0] for i in range(0,len(url_set))]

  29.                city_url_list = city_url_list+[url_set[i].attrs['data-id'] for i in range(0,len(url_set))]                

  30.                js="var q=document.documentElement.scrollTop=800"  

  31.                driver.execute_script(js)

  32.                time.sleep(2)

  33.                driver.find_element_by_class_name('pg-next').click()

  34.            except:

  35.                break

  36.        driver.close()

  37.    return city_name_list,city_url_list

  38. url = 'http://www.mafengwo.cn/mdd/'

  39. url_list = find_cat_url(url)

  40. city_name_list,city_url_list=find_city_url(url_list)

  41. city = pd.DataFrame({'city':city_name_list,'id':city_url_list})


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

640?wx_fmt=png

(b)景点页面

640?wx_fmt=png

(c)标签页面

640?wx_fmt=png

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.    except:

  11.        this_city_food=pd.DataFrame()

  12.    return this_city_base,this_city_food,this_city_jd

  13. def get_city_base(city_name,city_code):

  14.    url = 'http://www.mafengwo.cn/xc/'+str(city_code)+'/'

  15.    bsObj = get_static_url_content(url)

  16.    node =  bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('a')

  17.    tag = [node[i].text.split()[0] for i in range(0,len(node))]

  18.    tag_node = bsObj.find('div',{'class':'m-tags'}).find('div',{'class':'bd'}).find_all('em')

  19.    tag_count = [int(k.text) for k in tag_node]

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

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

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

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

  24.    tag_gw_yl_count = sum([int(tag_count[i]) for i in range(0,len(tag_count)) if par[i] in ['gw','yl']])

  25.    url = 'http://www.mafengwo.cn/yj/'+str(city_code)+'/2-0-1.html '

  26.    bsObj = get_static_url_content(url)  

  27.    total_city_yj = int(bsObj.find('span',{'class':'count'}).find_all('span')[1].text)

  28.    return {'city_name':city_name,'tag_all_count':tag_all_count,'tag_jd_count':tag_jd_count,

  29.            'tag_cy_count':tag_cy_count,'tag_gw_yl_count':tag_gw_yl_count,

  30.            'total_city_yj':total_city_yj}

  31. def get_city_food(city_name,city_code):

  32.    url = 'http://www.mafengwo.cn/cy/'+str(city_code)+'/gonglve.html'

  33.    bsObj = get_static_url_content(url)

  34.    food=[k.text for k in bsObj.find('ol',{'class':'list-rank'}).find_all('h3')]

  35.    food_count=[int(k.text) for k in bsObj.find('ol',{'class':'list-rank'}).find_all('span',{'class':'trend'})]

  36.    return pd.DataFrame({'food':food[0:len(food_count)],'food_count':food_count})

  37. def get_city_jd(city_name,city_code):

  38.    url = 'http://www.mafengwo.cn/jd/'+str(city_code)+'/gonglve.html'

  39.    bsObj = get_static_url_content(url)

  40.    node=bsObj.find('div',{'class':'row-top5'}).find_all('h3')

  41.    jd = [k.text.split('\n')[2] for k in node]

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

  43.    jd_count=[int(k.text.replace(' 条点评','')) for k in node]

  44.    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:

640?wx_fmt=png

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:

640?wx_fmt=png

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:

640?wx_fmt=jpeg

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TOP15的景点如下:

640?wx_fmt=jpeg

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。

640?wx_fmt=jpeg

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:

  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:

https://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,个人公众号数据森麟(ID:shujusenlin)。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/525598.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

谢华亮 php,谢华亮: PHP4和PHP5性能测试和对比

PHP 4到今年年底PHP Group将不再对其进行支持了,所以为了让大家更有信心的转移到PHP 5平台上,我特别做了这个测试,看看我们PHP 4.x 是否真的性能比我们的PHP 5.x要好,测试结果很明显,那就是PHP 5.x 比php 4.x不论是面向…

oracle rman 检查坏块,Oracle中使用RMAN来检验坏块

RMAN即recovery manager可以通过在执行的备份任务中,仅仅验证数据文件中的数据块而不生成实际的备份,这样做的目的是纯粹为了了解数据文件中是否有坏块。RMAN在这个环境中:验证数据文件是否存在数据文件位于正确的存放位置在RMAN尝试检验这些…

如何让笨重的系统架构变灵巧?

图片来源:Unsplash作者丨徐贤军来源丨徐贤军 架构师技术联盟如需转载,请联系原作者授权随着业务的复杂性增大、系统吞吐量增长,所有功能统一部署难度加大,各个功能模块相互影响使系统变的笨重且脆弱,因此需要对业务进行…

php ios 判断字符串长度,iOStextfield 限制输入字符长度和过滤表情符号

//增加修改框-(void)creatSaveView{UILabel * lab [[UILabel alloc]init];if (self.searchType 1) {lab.frame CGRectMake(14, 8 * KWIDTH 64, IPHONE_WIDTH - 100, 16 *KWIDTH);}else{lab.frame CGRectMake(14, 8 * KWIDTH, IPHONE_WIDTH - 100, 16 * KWIDTH);}lab.text …

约稿——码字能赢得百万人生?不开玩笑

2018是写作的风口。你不信?你不能写?我们来看看人们是如何写作的——其实人人都能写。绝望中靠写作赢回人生,并且财务自由2015年,夏知凉遭遇生意破产和朋友背叛,负债几十万的他,电脑都被拿去抵债&#xff0…

透过日播放量超过6亿的《延禧攻略》,看2018视频网站格局

作者介绍徐麟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文章来源数据森麟如需转载,请联系原作者授权前言随着《延禧攻略》的播出,魏璎珞、富察…

oracle怎么以时间排序,oracle指定数据排序在前面怎么处理

最近工作碰到客户的特殊要求,需要将特定的数据排序在前面,然后才按时间顺序排序,这个之前还真没有碰到过,好在有万能的度娘,搜索了一下,发现可以实现,使用order by decode语句即可。对于order b…

无法解析的外部符号 protected: virtual struct wxEventTable const * __thiscal

刚开始学习VC,对它的东西都不懂,其中最使用DECLARE_EVENTSINK_MAP时出现了一个错误, Linking... LegendWin.obj : error LNK2001: unresolved external symbol "protected: virtual struct AFX_EVENTSINKMAP const * __thiscall CLegend…

如何优雅使用Docker?请收下这15个小技巧

图片来源:Unsplash作者介绍ElNinoT文章来源Java架构沉思录原文链接www.cnblogs.com/elnino/p/3899136.html如需转载,请联系原作者授权1获取最近运行容器的id 这是我们经常会用到的一个操作,按照官方示例,你可以这样做(…

supervisor监控php进程程序,详解Supervisor进程守护监控(转)

Supervisor的配置2.0 创建目录,初始化配置文件mkdir /usr/supervisorecho_supervisord_conf > /usr/supervisor/supervisord.conf12mkdir/usr/supervisorecho_supervisord_conf>/usr/supervisor/supervisord.confecho_supervisord_conf详解:echo_s…

H264/ACC数据使用librtmp推流到服务器

这是本人第一次发表这个,首先声明本人也是个菜鸟!都说使用librtmp很简单,但是在网上找了很久,还是被各种大神坑了。 其实我也还是有很多东西不懂,如果下面有什么问题的地方,还请各位大神指点纠正。 1.视频数…

从容器到微服务,技术架构、网络和生态详解

图片来源:Unsplash作者晗狄文章来源架构师技术联盟如需转载,请联系原作者授权谈起容器技术,不得不提Docker技术。Docker 是 PaaS 提供商 DotCloud 开源的一个高级容器引擎,源代码托管在 Github 上,基于Go语言并遵从Apa…

brew php imagemagick,关于node使用gm和imageMagic在mac的坑

之前在windows上使用gm和imageMagic还是很顺手的,换了mac开发程序,发现自己才是坑。。emmmm但是要使用gm对图片进行拼接操作,只能硬着头皮上了笔记如下:mac不能直接安装imageMagic,而gm执行是依赖imageMagic的&#xf…

彻底搞懂 python 中文乱码问题

前言 曾几何时 Python 中文乱码的问题困扰了我很多很多年,每次出现中文乱码都要去网上搜索答案,虽然解决了当时遇到的问题但下次出现乱码的时候又会懵逼,究其原因还是知其然不知其所以然。现在有的小伙伴为了躲避中文乱码的问题甚至代码中不使…

如何让Kubernetes集群生产可用?

图片来源:veer本文作者Steven Wong (VMware)Michael Gasch (VMware)文章翻译Karen Lee文章来源K8S技术社区原文链接https://kubernetes.io/blog/2018/08/03/out-of-the-clouds-onto-the-ground-how-to-make-kubernetes-production-grade-anywhere如需转载&#xff0…

计算方法matlab编程徐萃薇,计算方法课程设计--用Newton插值多项式处理磁化曲线.docx...

计算方法课程设计题 目: 用Newton插值多项式 处理磁化曲线 学 院: 理学院 班 级: 数学 15-1 学 生 姓 名: 陈昌林 学 生 学 号: 2014028281 指 导 教 师: 石瑞银2017年 06 月 19 日课程设计任务书姓名陈昌林班级数学15…

北京房租到底有多高? | 爬取北京海淀区一居室租房信息

图片来源:花瓣网文章来源人工智能与大数据生活如需转载,请联系原作者授权最近北京房租成了热门话题,到底北京的房租有多高?本次实战是爬取北京海淀区一居室的租房信息,共爬取了300套房源信息,看一下北京的房…

oracle adg switch over,Oracle11gr2_ADG管理之switchover补充

之前演示的switchver总是提示下面的错误,并且需要人工干预:DGMGRL> switchover to snewtest;Warning: You are no longer connected to ORACLE.Please complete the following steps to finish switchover:start up instance "newtest" of database "newtest…

租房有深坑?手把手教你如何用R速读评论+科学选房

图片来源:网络编译Hope、臻臻、CoolBoy文章来源大数据文摘出品如有转载,请联系原作者。最近,租房这事儿成了北漂族的一大bug,要想租到称心如意的房子,不仅要眼明手快,还得看清各类“前辈”的评价避开大坑。…

oracle查询删除时间戳,Oracle查询时间戳,建表时间,新建序列,误删数据

Oracle的时间戳格式查询如下:SELECT VALUE FROM NLS_SESSION_PARAMETERS WHERE PARAMETER NLS_TIMESTAMP_FORMAT.Oracle查询建表时间:SELECT CREATED FROM USER_OBJECTS WHERE OBJECT_NAMETABLENAME;新建序列(到时候改一下名字就行了):-- Create sequencecreate sequence SEQ_…