一个网站的诞生03--抓取评论数最多的一万家餐厅

原创
2017/01/17 09:42
阅读数 30
在大众点评网上,有很多种方式对餐厅进行排序,比如 http://www.dianping.com/search/category/1/10/o10 ,是上海全市按照评论总数最多对餐厅进行排序,下面有50个分页,也就是上海历年累计评论综述最多的750家餐厅。但只有750家,少了点。上海有18个区,逐区点击的话,每区都会显示前750家餐厅,比如这个 http://www.dianping.com/search/category/1/10/r802o10 ,是浦东新区八佰伴地段的前750家。上海现在有十万家餐厅,以这种方式至少可以得到top8万家餐厅的数据。

但是拿到这么多数据是没有意义的,因为大部分餐厅都是普通餐厅,提供的是常规餐饮,吃了就吃了,不会有人想着去点评一下。只有特别赞的餐厅,才有人点评。或者只有很在意生意的餐厅,才会雇水军帮自己写点评。

经过数据分析发现,上海只有300家左右的餐厅每月的评论数超过100条,占餐厅总数的0.3%。如果一家餐厅每个月的评论数超过20条,那它就进入了前3000名,其实蛮不可思议的。公众参与度不够高,餐厅参与度不够高,这说明点评界还是大有可为的!

闲话少说,这次我们的目的是抓取上海评论数最多的前一万家餐厅,从上海的每个区抓750个,18个区就是13500个,去掉几百个同时属于两个或者两个以上区的餐厅,一万多个就足够了。这一万多个,足以覆盖每个区有料的餐厅。

以浦东新区为例做抓取。浦东新区评论数最多的前750个餐厅,对应的网址是http://www.dianping.com/search/category/1/10/r5o10p1,注意,category后面的1是上海的城市代码,r5是浦东新区的代码,p1是第一页,有15个餐厅,其他的各符号意义暂且不用管。上海每个区至少有上千家餐厅,所以不用考虑餐厅不到750个的情况,不用处理这个异常。那么,我们至少把这个链接最后一个数,从1到50列出来,抓取html页面,然后提取餐厅信息就可以了。

在抓取前,要把配置文件修改一下,/tmp/srcapy-test/crawdp/crawdp/setting.py,要添加四行代码,修改成如下形式:

------------------------------------

BOT_NAME = 'crawdp'

BOT_VERSION = '1.0'

SPIDER_MODULES = ['crawdp.spiders']

NEWSPIDER_MODULE = 'crawdp.spiders'

USER_AGENT = '%s/%s' % (BOT_NAME, BOT_VERSION)



DOWNLOAD_DELAY = 5

RANDOMIZE_DOWNLOAD_DELAY = True

USER_AGENT = 'Mozilla AppleWebKit/537.36 Chrome/27.0.1453.93 Safari/537.36'

COOKIES_ENABLED = False

-------------------------------------

最后四行代码是新添加的。这次要连续抓取50次页面,每次抓取的间隔时间是5秒,要做随机下载延迟,要禁用Cookie,这些措施为了避免官方服务器禁止抓取。

在/tmp/scrapy-test/crawdp/crawdp/spiders/目录添加文件shopids_spider.py,内容如下

------------------------------------

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class ShopidsSpider(BaseSpider):
    name = "shopids_spider"
    start_urls = []
    for i in range(1,51):
        start_urls.append(
        "http://www.dianping.com/search/category/1/10/r5o10p%s" % i)

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        xs = hxs.select('//ul[@class=\"detail\"]')
        for x in xs:
            print "---------"
            shopid = x.select('li[@class=\"shopname\"]/a[@class=\"BL\"]/@href').extract()[0].split('/')[-1]
            shopname = x.select('li[@class=\"shopname\"]/a[@class=\"BL\"]/text()').extract()[0]
            print "shopid, shopname = %s, %s" % (shopid, shopname)

------------------------------------

然后,在/tmp/scrapy-test/crawdp目录下执行"scrapy crawl shopids_spider",就可以看到抓取到的餐厅名称,以及它们在大众点评王的shopid,其结果是类似这样的:

---------
shopid, shopname = 5391580, 泰妃阁(新梅广场店)
---------
shopid, shopname = 4043482, 西贝莜面村(金桥店)
---------
shopid, shopname = 2748850, 望湘园(96广场店)
---------
shopid, shopname = 500068, 避风塘(八佰伴店)
---------
shopid, shopname = 5473698, 上上谦串串香火锅(浦东新梅店)
---------
shopid, shopname = 501019, 廊亦舫酒楼(正大店)
---------
shopid, shopname = 559844, 渝乡人家(陆家嘴店)

那么,如何知道上海18个区的id呢?在http://www.dianping.com/search/category/1/10/o10的左侧,点击“按行政区”,即可列出上海18个区的链接,里面包含了每个区的id,只要做一次抓取就可以得到。

这个做法是最简单的方式。其实还可以加入更多的功能,让抓取过程更智能化,比如判断reponse的返回状态,在被403之后,可以暂停若干秒然后继续抓取,再比如将结果存入数据库,或者存入到json文件。这些东东参考scrapy即可搞定。

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部