任务

采集 http://www.dianping.com/shanghai/hotel

私信小编01即可获取大量Python学习资料

1. 发现网址规律url

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/p50

2. 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)


print(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.text

3. 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。

?

?

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

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。

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()