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。