100行代码爬取全国所有必胜客餐厅信息

栏目: Python · 发布时间: 5年前

内容简介:当我刚接触 Python 时,我已经被 Python 深深所吸引。Python 吸引我的地方不仅仅能用其编写网络爬虫,而且能用于数据分析。我能将大量的数据中以图形化方式呈现出来,更加直观的解读数据。数据分析的前提是有数据可分析。如果没有数据怎么办?一是可以去一些数据网站下载相关的数据,不过数据内容可能不是自己想要的。二是自己爬取一些网站数据。今天,我就爬取全国各地所有的必胜客餐厅信息,以便后续做数据分析。

当我刚接触 Python 时,我已经被 Python 深深所吸引。Python 吸引我的地方不仅仅能用其编写网络爬虫,而且能用于数据分析。我能将大量的数据中以图形化方式呈现出来,更加直观的解读数据。

数据分析的前提是有数据可分析。如果没有数据怎么办?一是可以去一些数据网站下载相关的数据,不过数据内容可能不是自己想要的。二是自己爬取一些网站数据。

今天,我就爬取全国各地所有的必胜客餐厅信息,以便后续做数据分析。

01抓取目标

我们要爬取的目标是必胜客中国。打开必胜客中国首页,进入“餐厅查询”页面。

100行代码爬取全国所有必胜客餐厅信息

我们要爬取的数据内容有城市、餐厅名字、餐厅地址以及餐厅联系电话。因为我看到页面中有地图,所以页面一定有餐厅地址的经纬度。因此,餐厅的经纬度也是我们需要爬取的数据。

至于全国有必胜客餐厅的城市列表,我们可以通过页面的“切换城市”获取。

100行代码爬取全国所有必胜客餐厅信息

02分析目页面

在编写爬虫程序之前,我都是先对页面进行简单分析,然后指定爬取思路。而且对页面结构进行分析往往会有一些意想不到的收获。

我们使用浏览器的开发者 工具 对页面结构进行简单分析。

100行代码爬取全国所有必胜客餐厅信息

我们在 StoreList 页面中能找到我们所需的数据。这个能确定数据提取的 Xpath 语法。

StoreList 页面的 Response 内容比较长。我们先不着急关闭页面,往下看看,找找看是否有其他可利用的内容。最后,我们找到调用获取餐厅列表信息的 JavaScript 函数代码。

100行代码爬取全国所有必胜客餐厅信息

我们接着搜索下GetStoreList函数,看看浏览器如何获取餐厅列表信息的。

100行代码爬取全国所有必胜客餐厅信息

从代码中,我们可以了解到页面使用 Ajax 方式来获取数据。页面以 POST 方式请求地址http://www.pizzahut.com.cn/StoreList/Index。同时,请求还携带参数 pageIndex 和 pageSize。

03爬取思路

经过一番页面结构分析之后,我们指定爬取思路。首先,我们先获取城市信息。然后将其作为参数,构建 HTTP 请求访问必胜客服务器来获取当前城市中所有餐厅数据。

为了方便数据爬取,我将所有城市全部写入到 cities.txt 中。等要爬取数据时,我们再从文件中读取城市信息。

爬取思路看起来没有错,但是还是有个难题没有搞定。我们每次打开必胜客的官网,页面每次都会自动定位到我们所在的城市。如果无法破解城市定位问题,我们只能抓取一个城市数据。

于是乎,我们再次浏览首页,看看能不能找到一些可用的信息。最终,我们发现页面的 cookies 中有个 iplocation 字段。我将其进行 Url 解码,得到 深圳|0|0 这样的信息。

100行代码爬取全国所有必胜客餐厅信息

看到这信息,我恍然大悟。原来必胜客网站根据我们的 IP 地址来设置初始城市信息。如果我们能伪造出 iplocation 字段信息,那就可以随便修改城市了。

04代码实现

第一步是从文件中读取城市信息。

# 全国有必胜客餐厅的城市, 我将城市放到文件中, 一共 380 个城市 
cities = [] 
 
def get_cities(): 
    """ 从文件中获取城市 """  file_name = 'cities.txt' 
  with open(file_name, 'r', encoding='UTF-8-sig') as file: 
        for line in file: 
            city = line.replace(' 
', '') 
            cities.append(city) 

第二步是依次遍历 cities 列表,将每个城市作为参数,构造 Cookies 的 iplocation 字段。

# 依次遍历所有城市的餐厅 
for city in cities: 
    restaurants = get_stores(city, count) 
    results[city] = restaurants 
    count += 1 
  time.sleep(2) 

然后,我们再以 POST 方式携带 Cookie 去请求必胜客服务器。最后再对返回页面数据进行提取。

def get_stores(city, count): 
    """ 根据城市获取餐厅信息 """ 
    session = requests.Session() 
    # 对【城市|0|0】进行 Url 编码 
    city_urlencode = quote(city + '|0|0') 
    # 用来存储首页的 cookies 
    cookies = requests.cookies.RequestsCookieJar() 
 
    headers = { 
        'User-agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.3964.2 Safari/537.36', 
        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 
        'Host': 'www.pizzahut.com.cn', 
        'Cache-Control': 'max-age=0', 
        'Connection': 'keep-alive', 
    } 
 
    print('============第', count, '个城市:', city, '============') 
    resp_from_index = session.get('http://www.pizzahut.com.cn/', headers=headers) 
    # print(resp_from_index.cookies) 
    # 然后将原来 cookies 的 iplocation 字段,设置自己想要抓取城市。 
    cookies.set('AlteonP', resp_from_index.cookies['AlteonP'], domain='www.pizzahut.com.cn') 
    cookies.set('iplocation', city_urlencode, domain='www.pizzahut.com.cn') 
    # print(cookies) 
 
    page = 1 
    restaurants = [] 
 
    while True: 
        data = { 
            'pageIndex': page, 
            'pageSize': "50", 
        } 
 
        response = session.post('http://www.pizzahut.com.cn/StoreList/Index', headers=headers, data=data, cookies=cookies) 
        html = etree.HTML(response.text) 
        # 获取餐厅列表所在的 div 标签 
        divs = html.xpath("//div[@class='re_RNew']") 
        temp_items = [] 
        for div in divs: 
            item = {} 
            content = div.xpath('./@onclick')[0] 
            # ClickStore('22.538912,114.09803|城市广场|深南中路中信城市广场二楼|0755-25942012','GZH519') 
            # 过滤掉括号和后面的内容 
            content = content.split('('')[1].split(')')[0].split('','')[0] 
 
            if len(content.split('|')) == 4: 
                item['coordinate'] = content.split('|')[0] 
                item['restaurant_name'] = content.split('|')[1] + '餐厅' 
                item['address'] = content.split('|')[2] 
                item['phone'] = content.split('|')[3] 
            else: 
                item['restaurant_name'] = content.split('|')[0] + '餐厅' 
                item['address'] = content.split('|')[1] 
                item['phone'] = content.split('|')[2] 
            print(item) 
            temp_items.append(item) 
 
        if not temp_items: 
            break 
        restaurants += temp_items 
        page += 1 
        time.sleep(5) 
    return restaurants 

第三步是将城市以及城市所有餐厅信息等数据写到 Json 文件中。

with open('results.json', 'w', encoding='UTF-8') as file: 
    file.write(json.dumps(results, indent=4, ensure_ascii=False)) 

05爬取结果

程序运行完之后, 就会在当前目录下生成一个名为「results.json」文件。完整代码请见GitHub:

https://github.com/monkey-soft/SchweizerMesser/tree/master/Pizzahut

100行代码爬取全国所有必胜客餐厅信息

关于作者:极客猴,热衷于 Python,目前擅长利用 Python 制作网络爬虫以及 Django 框架。


以上所述就是小编给大家介绍的《100行代码爬取全国所有必胜客餐厅信息》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

C++编程思想

C++编程思想

埃克尔(美) / 刘宗田/等 / 机械工业出版社 / 2000-01 / 39.00

一起来看看 《C++编程思想》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

HSV CMYK 转换工具
HSV CMYK 转换工具

HSV CMYK互换工具