大家好，我是小一
萧萧的风在瑟瑟的吹，还是可以穿短袖的深圳，似乎也即将会变天
前几天，有一个读者在和我交流技术的时候，提出了一个小小的问题
这其实是一个很简单的事情，搁在之前，我早就分分钟写个脚本抛给他了。但是苦于最近的工作实在太多，各种文档报告写的头疼，也是拖了好几天才在上个周末抽了点时间把代码搞定了。
最近确实事情有点多，加上在和几个大佬一起组建交流群，所以也是在今天才有空写完爬虫对应的笔记教程，供大家参考学习。
如果说只是分享代码，那其实就是甩一个链接的事儿，但是这明显不符合小一我的气质
，所以我写了这篇笔记
手把手教学，正式开始！
正文
今天爬取数据的链接是：https://www.8684.cn/
这个是8684网站的网址，上面有各种公交站点、地铁站点、违章、资讯等等数据，小功能做的相当不错。
页面长这样：
对应的我们点击热门公交中的某个城市，例如：深圳公交，注意看点击的时候网址栏发生的变化
此时的网址变成了：https://shenzhen.8684.cn/
以此类推，其他城市对应的访问链接想必你会很容易构造出来
点进去之后的页面是这样的：
从我的经验来判断，我们想要的数据一定在红框里面。
而且从这几种网站的分类类型来看，绿框框出来的一定是最靠谱最有用的分类，而且在后期的分析过程中一定会最有用。
直接打开F12，进行源码分析（或者在某个超链接上点击右键->检查）内容一目了然：
处理思路如下：定位到 bus-layer depth w120 的这个 div，然后定位到它的第三个 class为‘pl10’ 的子div，这个就是我们我们需要的线路分类
对应上面的网页显示内容，源码都展开之后是这样的：
其中有两种标签：class="kt" 的span标签，对应的是分类的标题；class='list' 的div标签，子标签对应的是每一个分类的链接 href 和名称 wbfspan 标签。有用的是第二个标签。
正常点击网页上的某一种分类线路，例如：常规线路，注意看点击的时候网址栏发生的变化
此时的网址变成了：https://shenzhen.8684.cn/line1，也就是在之前链接的结尾加上上面的 href 内容
再回到我们的网页上，可以看到显示的公交路线，同样分析源码，内容如下：
处理思路如下：定位到 list clearfix 的这个div，它下面的每一个子标签（a标签）对应的都是一条公交线路，href 同样为该公交线路的链接，wbfspan 同样为名称
随便点开某一条公交线路，例如：8号线，注意看点击的时候网址栏发生的变化
此时的网址变成了：https://shenzhen.8684.cn/x_3dfcd0fb，也就是将之前的 href 内容换成了最新的 href 内容
再回到我们的网页上，这个就是我们需要爬取数据的终极目标网页：
上半部分的公交详细信息：运行时间、票价、公司、更新时间等
下半部分的公交详细站点，以及每个站点的经纬度等
ok，来整理一下总体思路：
- 通过城市名称构造第一类访问 url
- 访问第一类 url
- 解析该城市的公交分类，获取到想要的分类类型，构造第二类访问 url
- 访问第二类 url
- 解析分类类型的每一个公交线路，构造第三类访问 url
- 访问第三类 url
- 解析该公交路线的上、下两部分数据
- 循环第二类 -> 第三类的过程，直到爬完所有数据
解析城市的公交分类，构造第二类访问 url 的核心代码如下：
url = 'https://shenzhen.8684.cn/'
response = requests.get(url=url, headers={'User-Agent': get_ua()}, timeout=10)
"""获取数据并解析"""
soup = BeautifulSoup(response.text, 'lxml')
soup_buslayer = soup.find('div', class_='bus-layer depth w120')
# 解析分类数据
dic_result = {}
soup_buslist = soup_buslayer.find_all('div', class_='pl10')
for soup_bus in soup_buslist:
name = soup_bus.find('span', class_='kt').get_text()
if '线路分类' in name:
soup_a_list = soup_bus.find('div', class_='list')
for soup_a in soup_a_list.find_all('a'):
text = soup_a.get_text()
href = soup_a.get('href')
dic_result[text] = "https://shenzhen.8684.cn" + href
print(dic_result)
上面的 dic_result 中存储的就是每一个分类的名称 text 和访问 href
对其进行遍历，即可获得每一个类型下的所有公交线路
核心代码如下：
bus_arr = []
index = 0
for key,value in dic_result.items():
print ('key: ',key,'value: ',value)
response = requests.get(url=value, headers={'User-Agent': get_ua()}, timeout=10)
"""获取数据并解析"""
soup = BeautifulSoup(response.text, 'lxml')
# 详细线路
soup_buslist = soup.find('div', class_='list clearfix')
for soup_a in soup_buslist.find_all('a'):
text = soup_a.get_text()
href = soup_a.get('href')
title = soup_a.get('title')
bus_arr.append([title, text, "https://shenzhen.8684.cn" + href])
print(bus_arr)
类似的， bus_arr 中存储的就是每一个公交路线的名称 text 和访问 href
同样的代码设计思路，遍历访问每个链接，解析最终的网页即可
最后我爬到的数据是这样的：
每个公交路线经过的站点列表我放入了一个字典，也就是上图的最后一列
对了，上述数据我没有做数据清洗，要清洗的话我建议：
- ①运行时间列进行拆分，构造最早发车、最晚发车、起始站、终点站 四个字段；
- ②票价列进行解析，识别出数字；
- ③最后更新列进行解析，识别出时间；
- ④站点信息列进行解析，统计总站点数、是否环形、经过哪些行政区等
另外，上文中提到了可以解析出站点经纬度信息，这个在上述笔记中没有写出来，感兴趣的自行摸索，或者在文末留言交流
写在最后的话
整体来说，虽然流程的设计比较繁琐，但是仍然是很基础的一篇内容
与本文相关的爬虫参数设置、简单爬虫伪装，网页解析都可以在以前的文章中找到，在此不一一提及
另外，建议大家在运行的过程中，适当的设置程序休眠，理性爬虫
