Python爬虫实战,Scrapy实战,大众点评爬虫

Python爬虫实战,Scrapy实战,大众点评爬虫

前言

爬一波大众点评上美食板块的数据,顺便再把爬到的数据做一波可视化分析

开发工具

Python版本:3.6.4

相关模块:

scrapy模块;

requests模块;

fontTools模块;

pyecharts模块;

以及一些python自带的模块。

环境搭建

安装python并添加到环境变量,pip安装需要的相关模块即可。

数据爬取

首先,我们新建一个名为大众点评的scrapy项目:

scrapy startproject dazhongdianping

效果如下:

然后去大众点评踩个点吧,这里以杭州为例:

http://www.dianping.com/hangzhou/ch10

显然,我们想爬取的数据如下图红框所示:

在items.py里定义一下这些数据类型:

"""定义要爬取的数据"""
class DazhongdianpingItem(scrapy.Item):
    # 店名
    shopname = scrapy.Field()
    # 点评数量
    num_comments = scrapy.Field()
    # 人均价格
    avg_price = scrapy.Field()
    # 美食类型
    food_type = scrapy.Field()
    # 所在商区
    business_district_name = scrapy.Field()
    # 具体位置
    location = scrapy.Field()
    # 口味评分
    taste_score = scrapy.Field()
    # 环境评分
    environment_score = scrapy.Field()
    # 服务评分
    serve_score = scrapy.Field()

然后利用正则表达式来提取网页中我们想要的数据(字体反爬我就不讲了,知乎随便搜一下,就好多相关的文章T_T。只要下载对应的字体文件,然后找到对应的映射关系就ok啦):

# 提取我们想要的数据
all_infos = re.findall(r"<li class="" >(.*?)<div class="operate J_operate Hide">", response.text, re.S|re.M)
for info in all_infos:
    item = DazhongdianpingItem()
    # --店名
    item["shopname"] = re.findall(r"<h4>(.*?)</h4>", info, re.S|re.M)[0]
    # --点评数量
    try:
        num_comments = re.findall(r"LXAnalytics("moduleClick", "shopreview").*?>(.*?)</b>", info, re.S|re.M)[0]
        num_comments = "".join(re.findall(r">(.*?)<", num_comments, re.S|re.M))
        for k, v in shopnum_crack_dict.items():
            num_comments = num_comments.replace(k, str(v))
        item["num_comments"] = num_comments
    except:
        item["num_comments"] = "null"
    # --人均价格
    try:
        avg_price = re.findall(r"<b>¥(.*?)</b>", info, re.S|re.M)[0]
        avg_price = "".join(re.findall(r">(.*?)<", avg_price, re.S|re.M))
        for k, v in shopnum_crack_dict.items():
            avg_price = avg_price.replace(k, str(v))
        item["avg_price"] = avg_price
    except:
        item["avg_price"] = "null"
    # --美食类型
    food_type = re.findall(r"<a.*?data-click-name="shop_tag_cate_click".*?>(.*?)</span>", info, re.S|re.M)[0]
    food_type = "".join(re.findall(r">(.*?)<", food_type, re.S|re.M))
    for k, v in tagname_crack_dict.items():
        food_type = food_type.replace(k, str(v))
    item["food_type"] = food_type
    # --所在商区
    business_district_name = re.findall(r"<a.*?data-click-name="shop_tag_region_click".*?>(.*?)</span>", info, re.S|re.M)[0]
    business_district_name = "".join(re.findall(r">(.*?)<", business_district_name, re.S|re.M))
    for k, v in tagname_crack_dict.items():
        business_district_name = business_district_name.replace(k, str(v))
    item["business_district_name"] = business_district_name
    # --具体位置
    location = re.findall(r"<span class="addr">(.*?)</span>", info, re.S|re.M)[0]
    location = "".join(re.findall(r">(.*?)<", location, re.S|re.M))
    for k, v in address_crack_dict.items():
        location = location.replace(k, str(v))
    item["location"] = location
    # --口味评分
    try:
        taste_score = re.findall(r"口味<b>(.*?)</b>", info, re.S|re.M)[0]
        taste_score = "".join(re.findall(r">(.*?)<", taste_score, re.S|re.M))
        for k, v in shopnum_crack_dict.items():
            taste_score = taste_score.replace(k, str(v))
        item["taste_score"] = taste_score
    except:
        item["taste_score"] = "null"
    # --环境评分
    try:
        environment_score = re.findall(r"环境<b>(.*?)</b>", info, re.S|re.M)[0]
        environment_score = "".join(re.findall(r">(.*?)<", environment_score, re.S|re.M))
        for k, v in shopnum_crack_dict.items():
            environment_score = environment_score.replace(k, str(v))
        item["environment_score"] = environment_score
    except:
        item["environment_score"] = "null"
    # --服务评分
    try:
        serve_score = re.findall(r"服务<b>(.*?)</b>", info, re.S|re.M)[0]
        serve_score = "".join(re.findall(r">(.*?)<", serve_score, re.S|re.M))
        for k, v in shopnum_crack_dict.items():
            serve_score = serve_score.replace(k, str(v))
        item["serve_score"] = serve_score
    except:
        item["serve_score"] = "null"
    # --yield
    yield item

最后在终端运行如下命令就可以爬取我们想要的数据啦:

scrapy crawl dazhongdianping -o infos.json -t json

文章到这里就结束了,感谢你的观看,关注我每天分享Python爬虫实战系列,下篇文章分享中国地震台网爬虫。

为了感谢读者们,我想把我最近收藏的一些编程干货分享给大家,回馈每一个读者,希望能帮到你们。

干货主要有:

① 2000多本Python电子书(主流和经典的书籍应该都有了)

② Python标准库资料(最全中文版)

③ 项目源码(四五十个有趣且经典的练手项目及源码)

④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)

⑤ Python学习路线图(告别不入流的学习)

All done~完整源代码+干货详见个人简介或者私信获取相关文件。。

hmoban主题是根据ripro二开的主题,极致后台体验,无插件,集成会员系统
自学咖网 » Python爬虫实战,Scrapy实战,大众点评爬虫