查看原文
其他

Python爬虫&可视化第1季-城市旅游数据分析

徐麟 数据森麟 2019-02-23

前言:

本着跟大家一同探讨学习的态度,今后几期文章会更新一些用python实现爬虫&可视化的文章。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:



  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})


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:

复制编辑


  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:

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:


  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:

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:


  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')


---------------------------------

如果大家周围有对数据分析&数据挖掘感兴趣的朋友,麻烦在朋友圈帮忙转发一下,让更多的朋友加入我们。有好的文章也可以联系我与大家分享,如果有问题或者建议,可以直接在公众号或者文章下方留言。

R爬虫&可视化专题往期文章

R爬虫&可视化第1季-卫视实时收视率对比

R爬虫&可视化第2季-当古代文人参加“中国好诗人”节目

R爬虫&可视化第3季-同花顺股票分数可视化

R爬虫&可视化第四季-近三十年6000部国产电视剧告诉了我们些什么

R爬虫&可视化第五季-图解欧洲足球五大联赛

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存