任务
采集 http://www.dianping.com/shanghai/hotel
爬虫设计阶段 | 类型 | 问题 | 需要做到 |
1 | 请求 | 网页数据在哪里？ | 发现网址url规律 |
2 | 请求 | 如何获取网页数据？ | 先尝试使用requests成功访问一个url，拿到一个页面数据 |
3 | 解析 | 从html中定位需要的数据 | 使用pyquery对这一个页面的网页数据进行解析 |
4 | 存储 | 如何存储数据 | 使用csv库将数据存储到csv文件中 |
5 | 整理 | 重复2-4 | for循环对所有的url进行访问解析存储 |
1. 发现网址规律url
视频教程 https://www.bilibili.com/video/BV1AE411r7ph?p=1
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 = 'http://www.dianping.com/shanghai/hotel/p{page}'
for page in range(1, 51):
url = template.format(page=page)
print(url)http://www.dianping.com/shanghai/hotel/p1
http://www.dianping.com/shanghai/hotel/p2
http://www.dianping.com/shanghai/hotel/p3
http://www.dianping.com/shanghai/hotel/p4
http://www.dianping.com/shanghai/hotel/p5
http://www.dianping.com/shanghai/hotel/p6
....
http://www.dianping.com/shanghai/hotel/p46
http://www.dianping.com/shanghai/hotel/p47
http://www.dianping.com/shanghai/hotel/p48
http://www.dianping.com/shanghai/hotel/p49
http://www.dianping.com/shanghai/hotel/p502. 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。
import requests
url = 'http://www.dianping.com/shanghai/hotel/p1'
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'}
resp = requests.get(url, headers=headers)
resp<Response [200]>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.text3. 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。
这里需要大家熟悉下pyquery使用方法，可以看我的B站视频
https://www.bilibili.com/video/BV1AE411r7ph?p=4
from pyquery import PyQuery
doc = PyQuery(resp.text)
for block in doc.items('.hotelshop-list .hotel-block'):
name = block('.hotel-name a').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
csv视频教程 https://www.bilibili.com/video/BV1eb411h7sP?p=13
import csv
csvf = 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)
for block in doc.items('.hotelshop-list .hotel-block'):
name = block('.hotel-name a').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。
类似的实战教程，大家可以看一下
https://www.bilibili.com/video/BV1AE411r7ph?p=5
import requests
from pyquery import PyQuery
import csv
import time
#新建csv
csvf = 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url
template = 'http://www.dianping.com/shanghai/hotel/p{page}'
for page in range(1, 51):
url = template.format(page=page)
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'}
#访问url
resp = requests.get(url, headers=headers)
time.sleep(1)
#解析网页数据
doc = PyQuery(resp.text)
for block in doc.items('.hotelshop-list .hotel-block'):
name = block('.hotel-name a').text()
loc = block('.place').text()
quyu = loc.split('，')[0]
distance = loc.split('，')[-1]
#构造数据，存入csv
data = {'hotel': name,
'quyu': quyu,
'distance': distance}
print(page, data)
writer.writerow(data)
#关闭csv
csvf.close()
