任务
采集 /shanghai/hotel
私信小编01即可获取大量Python学习资料
1. 发现网址规律url
能否成功采集某网站,该网站需要满足两个条件
我们有权限浏览我们肉眼能在浏览器中看到
满足这两个条件后,我们就可以寻找网址规律。
一般简单的网站只需要看看翻页和网址栏即可,有难度的就需要使用开发者工具。
template='/shanghai/hotel/p{page}'forpageinrange(1,51):url=template.format(page=page)print(url)
/shanghai/hotel/p1
/shanghai/hotel/p2
/shanghai/hotel/p3
/shanghai/hotel/p4
/shanghai/hotel/p5
/shanghai/hotel/p6
....
/shanghai/hotel/p46
/shanghai/hotel/p47
/shanghai/hotel/p48
/shanghai/hotel/p49
/shanghai/hotel/p50
2. 尝试对其中一个url进行访问
先局部,后整体(先小后大)
我们需要先拿一个url测试访问成功与否。
importrequestsurl='/shanghai/hotel/p1'headers={'User-Agent':'Mozilla/5.0(Macintosh;IntelMacOSX10_15_6)AppleWebKit/537.36(KHTML,likeGecko)Chrome/85.0.4183.121Safari/537.36'}resp=requests.get(url,headers=headers)print(resp)
response200说明访问似乎还是正常的,但是不要掉以轻心,最好顺便检查下返回的网页源代码数据。
检查方法
网页中某字段,是否出现在resp.text中。一般多找几次,确认resp.text与网页内容能对应上,能对应上那就说明访问是成功的。
resp.text
3. 解析数据
解析数据可以用pyquery或者re库,本教程只抓酒店名、地址、距离等少数几个字段,只用pyquery就能很好的定位。
frompyqueryimportPyQuerydoc=PyQuery(resp.text)forblockindoc.items('.hotelshop-list.hotel-block'):name=block('.hotel-namea').text()loc=block('.place').text()quyu=loc.split(',')[0]distance=loc.split(',')[-1]print(name,quyu,distance)
上海佘山世茂洲际酒店 松江区 距离松江站9.6km
上海和平饭店 南京东路 距离和平饭店30m
上海宝格丽酒店 大悦城 距离天潼路地铁站175m
上海迪士尼乐园酒店 迪士尼 距离迪士尼地铁站710m
上海外滩W酒店 北外滩/外白渡桥 距离国际客运中心地铁站205m
上海也山花园酒店(崇明森林公园店) 东平森林公园 1km内无地铁站
上海外滩华尔道夫酒店 外滩 距离威斯汀大酒店340m
上海半岛酒店 外滩 距离和平饭店285m
御宿和庭酒店 梅川路 距离中环百联400m
上海外滩悦榕庄酒店 北外滩/外白渡桥 距离提篮桥地铁站440m
上海鲁能JW万豪侯爵酒店 塘桥 距离塘桥地铁站870m
上海浦东香格里拉大酒店 陆家嘴 距离正大广场180m
上海浦东丽思卡尔顿酒店 陆家嘴 距离国金中心35m
养云安缦酒店 闵行区 距离松江站12.1km
上海怡沁园度假村 东平森林公园 1km内无地铁站
4. 存储数据
推荐大家用csv存储
importcsvcsvf=open('data/dianping.csv','a+',encoding='utf-8',newline='')fieldnames=['hotel','quyu','distance']writer=csv.DictWriter(csvf,fieldnames=fieldnames)writer.writeheader()doc=PyQuery(resp.text)forblockindoc.items('.hotelshop-list.hotel-block'):name=block('.hotel-namea').text()loc=block('.place').text()quyu=loc.split(',')[0]distance=loc.split(',')[-1]data={'hotel':name,'quyu':quyu,'distance':distance}writer.writerow(data)csvf.close()
5. 整合
前面几个步骤都成功后,我们可以把1-4整理合并成一个完整的代码。
复制粘贴代码时要注意代码层次。
importrequestsfrompyqueryimportPyQueryimportcsvimporttime#新建csvcsvf=open('data/dianping.csv','a+',encoding='utf-8',newline='')fieldnames=['hotel','quyu','distance']writer=csv.DictWriter(csvf,fieldnames=fieldnames)writer.writeheader()#批量生成网址urltemplate='/shanghai/hotel/p{page}'forpageinrange(1,51):url=template.format(page=page)headers={'User-Agent':'Mozilla/5.0(Macintosh;IntelMacOSX10_15_6)AppleWebKit/537.36(KHTML,likeGecko)Chrome/85.0.4183.121Safari/537.36'}#访问urlresp=requests.get(url,headers=headers)time.sleep(1)#解析网页数据doc=PyQuery(resp.text)forblockindoc.items('.hotelshop-list.hotel-block'):name=block('.hotel-namea').text()loc=block('.place').text()quyu=loc.split(',')[0]distance=loc.split(',')[-1]#构造数据,存入csvdata={'hotel':name,'quyu':quyu,'distance':distance}print(page,data)writer.writerow(data)#关闭csvcsvf.close()