python爬虫爬取美团西安美食数据

匿名 (未验证) 提交于 2019-12-02 22:51:30

经历了一周的种种波折,参考了CSDN上N多博主的博客,终于搞定了美团西安美食数据,在此做简单记录:

愚蠢如我,不知如何让爬虫程序翻下一页,只好看了前后两页请求的网址有什么不同,后来发现第一页后缀是‘pn1’,第二页是‘pn2’,以此类推……所以手动查看了一共有15页之后,萌生了一个愚蠢的想法并实现了它,以下是部分代码:

    target = 'http://xa.meituan.com/meishi/'     head={}     head['authorization']='your ClientId'     head['User-Agent'] = ''     for i in range(16):         if i==0:             continue         target_real=target+'pn'+str(i)+'/'         req = requests.get(url=target_real,headers=head)         html=req.text         bf=BeautifulSoup(html,'lxml')         texts=bf.find_all('script')         text=texts[14].get_text().strip()(这部分也是很愚蠢的做法,实在是找不到别的方法了)         text=text[19:-1]         result=json.loads(text)         result=result['poiLists']         result=result['poiInfos']

以此挑出自己想要的部分数据,再经过简单处理之后便以为大功告成,在日报里向老板汇报了捷报“美团西安美食部分爬取完成”,今天早上十点多老板问我爬了多少家,我看了下一共四百多家,老板说有两三万餐饮,让我看看怎么回事

回到工位上,打开美团网页发现不管登不登录,只要不选任何条件,都是显示15页,然后我按照行政划分一个个打开,根本不是15页好吗,再譬如打开“长安区”,选择‘长安区全部’,显示有19页,我再分别将长安区的商圈一个个打开,加起来发现有大概39页,就算剃掉不满一页的情况,也远远不止19页,而且还有了一个发现,每一个商圈都有一个特定的ID,其url就是美团西安美食的url+b+ID+pn+页码,所以我决定按照行政区划分来获取数据,这时候问题就出现了,不可能把每一个商圈一共有多少页都手动查看一遍,于是想了以下办法:

        for i in range(50):(每个商圈商家总数最多不超过50页)             if i==0:                 continue             target='http://xa.meituan.com/meishi/'+'b'+str(item)+'/'+'pn'+str(i)+'/'             head={}             head['authorization']='your ClientID'             head['User-Agent'] = ''             req = requests.get(url=target,headers=head)             html=req.text             bf=BeautifulSoup(html,'lxml')             texts=bf.find_all('script')             text=texts[14].get_text().strip()             text=text[19:-1]             result=json.loads(text)             result=result['poiLists']             result=result['poiInfos']             if result:(判断获取内容是否为空)                 print(target)                 for it in result:                     Info_list=[]                     Info_list.append('美团')                     Info_list.append('美食')                     Info_list.append(it['title'])                     Info_list.append(it['address'])                     writer.writerow(Info_list)                 time.sleep(3)             else:                 break(若为空,直接跳出本层循环)

下面是获取各个商圈ID的部分代码:

    target = 'http://xa.meituan.com/meishi/'     head={}     head['authorization']='your ClientID'     head['User-Agent'] = ''     req = requests.get(url=target,headers=head)     html=req.text     bf=BeautifulSoup(html,'lxml')     texts=bf.find_all('script')     text=texts[14].get_text().strip()     text=text[19:-1]     result=json.loads(text)     result=result['filters']     result=result['areas']     list=[]     for item in result:         for i in item['subAreas']:             if i['name']=='全部':(不需要获取每个行政区第一个全部的ID,所以直接略过)                 continue             list.append(i['id'])     print(list)

获取了每个商圈的ID之后,再根据url组成规则即可得到每个商圈的url(好像走了一点弯路了,获取的html里面直接有每个商圈的url)

以下是完整代码,根据自己需要可做修改:

#美团美食 # -*- coding:UTF-8 -*- import requests import time from bs4 import BeautifulSoup import json import csv with open(r'美团西安美食.csv',"w", newline='',encoding='UTF-8') as csvfile:      writer = csv.writer(csvfile)     writer.writerow(['网站名','品类','商家名称','地址'])      target = 'http://xa.meituan.com/meishi/'     head={}     head['authorization']='your ClientID'     head['User-Agent'] = ''     req = requests.get(url=target,headers=head)     html=req.text     bf=BeautifulSoup(html,'lxml')     texts=bf.find_all('script')     text=texts[14].get_text().strip()     text=text[19:-1]     result=json.loads(text)     result=result['filters']     result=result['areas']     list=[]     for item in result:         for i in item['subAreas']:             if i['name']=='全部':                 continue             list.append(i['id'])     print(list)     for item in list:         for i in range(50):             if i==0:                 continue             target='http://xa.meituan.com/meishi/'+'b'+str(item)+'/'+'pn'+str(i)+'/'             head={}             head['authorization']='your ClientID'             head['User-Agent'] = ''             req = requests.get(url=target,headers=head)             html=req.text             bf=BeautifulSoup(html,'lxml')             texts=bf.find_all('script')             text=texts[14].get_text().strip()             text=text[19:-1]             result=json.loads(text)             result=result['poiLists']             result=result['poiInfos']             if result:                 print(target)                 for it in result:                     Info_list=[]                     Info_list.append('美团')                     Info_list.append('美食')                     Info_list.append(it['title'])                     Info_list.append(it['address'])                     writer.writerow(Info_list)                 time.sleep(3)             else:                 break print('Done')         

整理完毕

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!