本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
本文章来自腾讯云 作者:Python进阶者
想要学习Python?有问题得不到第一时间解决?来看看这里“1039649593”满足你的需求,资料都已经上传至文件中,可以自行下载!还有海量最新2020python学习资料。
点击查看
首先,我们来明确一下我们想要爬取的数据是哪些,这里为了方便起见,我们先以目前国内最热门的城市——杭州为例:
图中的景点名称,地址,评分,景区质量等级、点评数量就是我们本次要获取的数据。其中点评数量正是本次作为判断该景点是否人数会多的重要依据。
翻页即可发现页码变化的规律
这次采用requests+美丽的汤(BeautifulSoup)来爬取。
def get_list(urls,city): data = [] for i in range(1,3): #爬取n页 url = 'https://you.ctrip.com/sight/'+str(urls)+'/s0-p'+str(i)+'.html#sightname' results = {} doc = requests.get(url, headers=headers) while (doc is None or doc == {'code': -460, 'msg': 'Cheating'}): print('重新获取!') time.sleep(random.random()) doc = restaurant(url) soup = BeautifulSoup(doc.text, features='lxml') list_wide_mod2 = soup.find_all('div', class_='list_wide_mod2')[0] for each1, each2 in zip(list_wide_mod2.find_all('dl'), list_wide_mod2.find_all('ul', class_='r_comment')): name = each1.dt.a.text addr = each1.find_all('dd')[0].text.strip() level = each1.find_all('dd')[1].text.strip().split('|')[0].strip() if '携程' in level: level = '' try: price = each1.find_all('span', class_='price')[0].text.strip().replace('¥', '') except: price = '0' score = each2.find_all('a', class_='score')[0].text.strip().replace('\xa0分', '') comments = each2.find_all('a', class_='recomment')[0].text.strip()[1: -3].replace('条', '') results = [city, name, addr, level, price, score, comments] data.append(results) final_result = pd.DataFrame(data) final_result.columns=['city', 'name', 'addr', 'level', 'price', 'score', 'comments'] final_result.to_csv("%s景点数据.csv"%city,encoding="utf_8",index = False) return final_result
依次爬取150个热门城市
汇总后就获得了3万余条景点数据。
数据分析
清洗填充一下。
def data_cleaning(data): cols = data.columns for col in cols: if data[col].dtype == 'object': data[col].fillna('缺失数据', inplace = True) else: data[col].fillna(0, inplace = True) return(data)
按照评论数量排序,筛选前20的景点。
#排序TOP20 data['comments'] = data['comments'].astype('int') df = data.sort_values(by="comments",ascending=False) df.head(20)
以上这些景点城市是之前的热门,也是仍旧是这次十一最可能人挤人的地方,请注意。
详情数据分析报告请点击:
《国庆出去旅个游要过的关,比消消乐还多》
数据可视化
首先我们将上面的Top20做个词云,更加直观地展示。
消费价格也是衡量景区的一个方面,所以打算区分一下景区的消费价格。
python中对列表以区间进行统计,可以使用下面这个方法:
from itertools import groupby lst = [1, 1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 7, 7, 8, 9, 9, 9, 10, 99, 99, 99, 100, 101] dic = {} for k, g in groupby(lst, key=lambda x: (x-1)//10): dic['{}-{}'.format(k*10+1, (k+1)*10)] = len(list(g)) print(dic)
根据得到的结果,我们可以绘制热门旅游景区消费价格区间分布饼图。
from matplotlib import pyplot as plt #调节图形大小,宽,高 plt.figure(figsize=(5,8)) #定义饼状图的标签,标签是列表 labels = ['0-50元 ', '50-100元 ', '100-150元 ', '150-200元 ', '200及以上 '] #每个标签占多大 sizes = [33660, 1542, 539, 289, 276] colors = ['red', 'orange', 'green', 'blue', 'gray', 'goldenrod'] explode = (0, 0, 0, 0, 0.1) patches,l_text,p_text = plt.pie(sizes,explode=explode,labels=labels,colors=colors, labeldistance = 1.1,autopct = '%3.1f%%',shadow = False, startangle = 90,pctdistance = 0.6) plt.title(u'热门旅游景区消费价格区间分布', fontsize=20) for t in l_text: t.set_size=(30) for t in p_text: t.set_size=(50) # 设置x,y轴刻度一致,这样饼图才能是圆的 plt.axis('equal') plt.legend() plt.show()
其实国内大部分的景点门票费用并不贵,我们旅途中花销最大的是车票+酒店。
国庆出去玩一趟,实在太难了,每一个国庆去热门景区洗礼过的朋友,都是抱着关关难过关关过的悲壮心态,努力留下几张美好的照片,多吃几口当地的美食,以安慰自己,这一趟,值得。