阅读本文大约需要 7 分钟

本文转载自zone7

概述

前言

思考

统计结果

爬虫技术分析

爬虫代码实现

爬虫分析实现

后记

前言

举国欢庆的国庆节马上就要到来了，你想好去哪里看人山人海了吗？还是窝在家里充电学习呢？说起国庆，塞车与爆满这两个词必不可少，去年国庆我在想要是我能提前知道哪些景点爆满就好了，就不用去凑热闹了。于是我开始折腾，想用 python 抓取有关出行方面的数据，便有了这篇文章。

弘扬一下社会主义核心价值观

思考

(此段可跳过)要抓取出行方面的数据还不简单，直接去看看携程旅游、马蜂窝这类网站看看有没有数据抓取。但是实际上这些网站并没有比较好的格式化的数据供我们抓取，或许是我没找到吧。我在想，有没有什么折中的办法。然而，就这样半天过去了，突然想到，要出行肯定会查找相关的出行攻略吧，那么关键词就是一个突破口，可以查询百度指数来看看哪些景点被查询的次数最多，那么就可以大概知道哪些景点会爆满了。

统计结果

此次的统计结果只是从侧面反映景点爆满的问题，未必是完全准确的，仅供参考。此次统计的景点共有 100 个：

桂林、三亚、泰山的搜索量都是杠杠的，这第一梯队的地方能不去就别去了，去了也是人山人海的，爆满是无疑的了。

捂脸.jpg

top0-10

第二梯队的搜索量也不差，日均搜索量还是上万的，谨慎行动。

top10-20

第三梯队下来就可以考虑考虑，为了避免不必要的塞车与等待，建议大家还是呆在家里吧！！！

top20-30

第四梯队应该没太大的问题，建议出去溜达溜达。

top30-40

都到第五梯队了，就可以放心地玩耍了。经历了那么多的烦心事，是该好好放飞一下自己了。

top40-50

爬虫技术分析

请求库：selenium

HTML 解析：使用正则匹配

数据可视化：pyecharts

数据库：MongoDB

数据库连接：pymongo

爬虫分析实现

此次文章能够实现参考效果，完全是因为抖机灵。首先是选取爬虫来源，携程与马蜂窝没有结构化的数据，我们就换一种思路。首先是想到百度指数，如图：

百度指数

但是，分析源代码之后，你就会发现坑爹之处了，它的数据都是以图片展示的，你不能直接获取到源码，考虑到国庆马上就要到来，我换了一个指数平台，转战搜狗指数，这个平台可以直接获取到源数据，关键是，还有微信热度可以爬取。当然，你执意要使用百度指数，这里也是有方法的，抓取到数据之后，使用图像识别来识别文中的数据，提供一篇有思路的文章 [爬虫实战——四大指数之百度指数(三)]。

关于数据清洗方面，这里筛选了数据量过小，和数据量异常大的景点，详情在源码中查看。

搜狗指数

# 这是数据展示的代码片段def show_data(self):    for index in range(5):        queryArgs = {"day_avg_pv": {"$lt": 100000}}        rets = self.zfdb.national_month_index.find(queryArgs).sort("day_avg_pv", pymongo.DESCENDING).limit(10).skip(index*10)        atts = []        values = []        file_name = "top" + str(index * 10) + "-" + str((index + 1) * 10) + ".html"        for ret in rets:            print(ret)            atts.append(ret["address"])            values.append(ret["day_avg_pv"])        self.show_line("各景点 30 天内平均搜索量", atts, values)        os.rename("render.html", file_name)

爬虫代码实现

由于篇幅原因，这就只展示主要代码，详情请查看源码，点击阅读原文获取源码。

# 这是数据爬取的代码片段def get_index_data(self):    try:        for url in self.get_url():            print("当前地址为：" + url)            self.browser.get(url)            self.browser.implicitly_wait(10)            ret = re.findall(r'root.SG.data = (.*)}]};', self.browser.page_source)            totalJson = json.loads(ret[0] + "}]}")            topPvDataList = totalJson["topPvDataList"]            infoList = totalJson["infoList"]            pvList = totalJson["pvList"]            for index, info in enumerate(infoList):                for pvDate in pvList[index]:                    print("index => "+str(index)+"地址 => "+info["kwdName"] + "日期 => " + str(pvDate["date"]) + " => " + str(pvDate["pv"]) + " => " + str(                        info["avgWapPv"]) + " => " + str(info["kwdSumPv"]["sumPv"]) + " => ")                    self.zfdb.national_day_index.insert({                        "address": info["kwdName"],  # 地名                        "date": pvDate["date"],  # 日期                        "day_pv": pvDate["pv"],  # 日访问量                    })                self.zfdb.national_month_index.insert({                    "address": info["kwdName"],  # 地名                    "day_avg_pv": info["avgWapPv"],  # 平均访问量                    "sum_pv": info["kwdSumPv"]["sumPv"],  # 总访问量                })    except :        print("exception")

后记

整篇爬虫文章分析到这里就结束，不过还是对百度指数很有执念，想找个时间写一篇相关的文章才行，不搞定它感觉心里有块疙瘩，或许这就是程序员最后的倔强，最后祝大家国庆假期愉快，不用写代码。