用 Python 爬取网红城市大长沙！

    
↑ 关注 + 星标 ，每天学Python新技能



    



    
后台回复【大礼包】送你Python自学大礼包

这两天获取了两份关于长沙的数据：长沙景点和长沙美食，之后进行了分析，如果有朋友想去长沙或者周边城市玩，要仔细看看喔。

导入库

import pandas as pd
import re
import csv
import json
import requests
import random

# 显示所有列
# pd.set_option('display.max_columns', None)

# 显示所有行
# pd.set_option('display.max_rows', None)

# 设置value的显示长度为100，默认为50
# pd.set_option('max_colwidth',100)

# 绘图相关
import jieba
import matplotlib.pyplot as plt
from pyecharts.globals import CurrentConfig, OnlineHostType   
from pyecharts import options as opts  # 配置项
from pyecharts.charts import Bar, Pie, Line, HeatMap, Funnel, WordCloud, Grid, Page  # 各个图形的类
from pyecharts.commons.utils import JsCode   
from pyecharts.globals import ThemeType,SymbolType

import plotly.express as


    
 px
import plotly.graph_objects as go

长沙景点

数据获取

长沙景点的数据获取方法和之前那篇关于厦门的文章是一样的，只是重新跑了一遍代码，具体过程不再阐述，感兴趣的朋友可以看之前的文章，爬取的字段：

• 中文名
• 英文名
• 攻略数
• 评价数
• 位置
• 排名
• 驴友占比
• 简介

具体的源代码如下：

最终数据有1152条，数据中绝大部分是长沙的景点数据，也有少量少量周边城市，比如：宁乡、浏阳等的数据，整体的数据前5行如下：

下面重点介绍数据分析的过程

整体情况

首先看看整体的数据情况：

fig = px.scatter(changsha[:10],  # 前10个
           x="strategy",  # 攻略数
           y="comment",   # 评论数



    
           color="comment",  # 颜色选取
           size="comment",  # 散点大小
           hover_name="cn_title",
           text="cn_title"  # 显示文字
          )

fig.update_traces(textposition='top center')  # 文本顶部居中显示

fig.show()

很显然：橘子洲、岳麓山、岳麓书院、太平老街排名靠前

排名靠前景点

看看排名靠前的景点是哪些？

# 根据ranking排序取出前20名数据，排除ranking=0的数据，再取出前10数据

changsha1 = changsha[changsha["ranking"] != 0].sort_values(by=["ranking"])[:20].reset_index(drop=True)
changsha1.head(10)

通过排名我们发现：橘子洲（烟火、大桥、天心阁）、岳麓山（书院）、黄兴路步行街、马王堆汉墓遗址、湖南省博物馆，整体排名很靠前，深受游客们欢迎，具体看看排名前20的景点：

评论火爆景点

很多游客到了一个景点喜欢写评论，看下哪些景点获得大量的评论：

    
changsha2 = changsha[changsha["comment"] != 0].sort_values(by=["comment"],ascending=False)[:10]

# 绘图
fig = px.scatter(
    changsha2,
    x="cn_title",
    y="comment",
    size="comment",
    color="comment",
    text="cn_title"
)

fig.update_traces(textposition="top center")

fig.show()

攻略在手，旅游不愁

出门旅游之前最好还是做一份旅游攻略，看看提供攻略最多的前10景点是哪些：

如果我们考虑前20个景点的攻略数：

驴友占比

我们爬取到的驴友数据是百分比，类型是字符串类型，我们现在去掉%符号，取出左边的数值，如果没有则用0代替，方便最终画图，具体操作如下：

# 去掉%取出左边数据
changsha["lvyou_number"] = changsha["lvyou"].apply(lambda x:x.split("%")[0])
changsha["lvyou_number"] = changsha["lvyou_number"


    
].astype(int)
changsha.head()

取出排名前10的驴友占比景点：

景点介绍

获取到的abstract字段是用来描述景点的基本信息，可以用来制作词云图，具体处理过程如下：

abstract_list = changsha["abstract"].tolist()

# 1、分词
jieba_name = []
for i in range(len(abstract_list)):
    # seg_list只是一个generator生成器：
    seg_list = jieba.cut(str(abstract_list[i]).strip(), cut_all=False)  
    # 对list(seg_list)中的每个元素进行追加
    for each in list(seg_list):   
        jieba_name.append(each)
       
# 2、去停用词
# 创建停用词list
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
    return stopwords

# 传入路径，加载去停用词
stopwords = stopwordslist('/Users/peter/Desktop//nlp_stopwords.txt')  

stopword_list = []



    
for word in jieba_name:  # jieba_name中的word不在停用词表中，且不是\t制表符
    if word not in stopwords:
        if word != "\t" and word != " " and word != "nan":
            stopword_list.append(word)
            
# 3、统计单词出现个数
dic = {}
number = 0

for each in stopword_list:
    if each in dic.keys():
        number += 1   
        dic[each] = number
    else:
        dic[each] = 1 # 不存在则结果为1

# 4、字典转成json数据，绘制词云图需要
tuple_list = []
for k,v in dic.items():
    tuple_list.append(tuple([k,v]))
    
tuple_list[:20]

长沙美食

第二部分介绍的是长沙（附近部分长沙）的美食，接下来从3个方面介绍：

• 字段获取
• 数据保存及处理
• 美食数据分析

发送请求

url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page=1"

headers = {"user-agent": "个人请求头"}

response = requests.get(url=url,headers=headers)
result = response.content.decode()

字段获取

• 名称cn_title
• 评分socre
• 均价person_avg
• 地址address
• 推荐菜recommand
• 评价comment

1、源码结构

网页显示每页有10个景点（最后页未必是10个），总共200页的数据，每个景点的信息包括在一个

标签对中，我们只需要从标签中获取到相应的信息即可

2、名称和评分两个字段的获取相对简单，直接通过正则表达式来获取，关键字定位需要准确（以后会详细详解正则表达式的使用）

    
# 中文名
cn_title = re.findall('cn_tit">(.*?).*?countbox',result,re.S)

# 得分：没有得分用--表示
score = re.findall('cur_score">(.*?).*?total_score',result,re.S)

3、关于剩下4个字段的获取，相对复杂。因为他们并不是在每个店的信息中存在，有的，但是他们有一个共同点：全部是隐藏一个

标签对中，而且每个字段都有自己的关键词

具体处理方法：先大后小

1、先整体：提取sublistbox下面的全部信息

2、从步骤1的信息进行判断，获取4个单独字段

# 均价
person_avg = []

for i in range(len(sublistbox)):
    try:
        if "均" in sublistbox[i]:  # 如果均价存在



    
            person_avg.append(re.findall('¥ (.*?)',sublistbox[i],re.S)   [0])   # 将解析出来的第一个字段放入列表中
        else:  # 否则，不存在的话，添加0
            person_avg.append(0)
        continue   # 遇到报错继续往下执行
    except:
        person_avg.append(0)

剩下3个字段处理类似：

address = []

for i in range(len(sublistbox)):
    try:
        if "址" in sublistbox[i]:  # 关键词
            address.append(re.findall('址.*?des_line">(.*?)',sublistbox[i],re.S)[0])
        else:
            address.append("无")
        continue
    except:
        address.append("无")

recommand = []

for i in range(len(sublistbox)):
    try:
        if "推荐菜" in


    
 sublistbox[i]:
            recommand.append(re.findall('推荐菜.*?des_line">(.*?)',sublistbox[i],re.S)[0])
        else:
            recommand.append("无")
        continue
    except:
        recommand.append("无")

comment = []

for i in range(len(sublistbox)):
    try:
        if "desbox" in sublistbox[i]:   # 关键词
            comment.append(re.findall('.*?txt">(.*?)',sublistbox[i],re.S)[0])
        else:
            comment.append("无")
        continue
    except:
        comment.append("无")

4、上面是获取单页数据的解析过程，下面讲解如何获取200页的字段数据：

# 中文名：得分字段类似
cn_title_list = []

for i in range(1,201):
    url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page={}".format(i)
    headers = {"user-agent"


    
: "请求头"}
    response = requests.get(url=url,headers=headers)
    result = response.content.decode()
    cn_title = re.findall('cn_tit">(.*?).*?countbox',result,re.S)
    for each in cn_title:
        cn_title_list.append(each)
        
cn_title_list

#  均价字段：地址、推荐菜、评价类似
# 某个字段不存在，用0或者无代替
person_avg_list = []

for i in range(1,201):
    url = "https://travel.qunar.com/p-cs300022-changsha-meishi?page={}".format(i)
    headers = {"user-agent": ""}
    response = requests.get(url=url,headers=headers)
    result = response.content.decode()
    
    # 1、先整体提取
    sublistbox = re.findall('sublistbox">(.*?)