Python爬虫系列之爬取美团美食板块商家数据(二)

时间:2024-01-28 22:00:12

今天为大家重写一个美团美食板块小爬虫,说不定哪天做旅游攻略的时候也可以用下呢。废话不多说,让我们愉快地开始吧~

开发工具

Python版本:3.6.4
相关模块:

requests模块;

argparse模块;

pyquery模块;

jieba模块;

pyecharts模块;

wordcloud模块;

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量,pip安装需要的相关模块即可。

原理简介

前期准备:

因为我想让这个小爬虫可以爬取美团上任意城市美食板块的数据,但是每个城市的URL是不一样的,其格式为:

https://{城市拼音缩写}.meituan.com/

不同的城市需要不同的URL来构造请求从而爬取我们所需要的数据,于是现在的问题就变成了:如何获取所有城市对应的城市拼音缩写呢?

其实很简单,点击网页上的切换城市按钮:

图片

然后查看网页源代码:

图片

于是我们很easy地就可以爬取所有城市对应的城市拼音缩写了,代码实现如下:

\'\'\'城市名-拼音码爬取\'\'\'
def downCitynamesfile(citynamesfilepath):
  url = \'https://www.meituan.com/changecity/\'
  doc = PyQuery(requests.get(url).text)
  cities_dict = dict()
  [cities_dict.update({city.text(): city.attr(\'href\').replace(\'.\', \'/\').split(\'/\')[2]}) for city in doc(\'.cities a\').items()]
  with open(citynamesfilepath, \'w\', encoding=\'utf-8\') as f:
    f.write(json.dumps(cities_dict, indent=2, ensure_ascii=False))

爬虫主程序:

现在随便切换到一个城市,以杭州为例。简单抓个包,可以发现美食商家的数据可以通过请求下图这个URL获得:

图片

其构造方式为上图红框框出的baseURL加上下图所示的一堆参数:

图片

其中变量为:

cityName:城市名
page:页码
uuid:uuid
_token:_token

其他均为不变量,直接copy过来就行了。前面两个变量很明显是什么,就不多说了。变量uuid在网页源代码里就能找到:

图片

至于_token,稍微麻烦一点。考虑到_token结尾出现了=,所以猜测是base64编码,但是解码后发现是一堆16进制ASCII码,所以考虑原数据是先进行二进制压缩然后base64编码的。反向操作一波,发现果然是这样的:

图片

全局搜索找生成相关参数的源代码:

图片

一顿分析之后就可以开始写_token生成的代码了,具体如下:

\'\'\'获取SIGN\'\'\'
def getSIGN(cityname, page, uuid, city_code):
  url = \'https://{}.meituan.com/meishi/\'.format(city_code)
  sign = \'areaId=0&cateId=0&cityName={}&dinnerCountAttrId=&optimusCode=1&originUrl={}&page={}&partner=126&platform=1&riskLevel=1&sort=&userId=&uuid={}\'
  sign = sign.format(cityname, url, page, uuid)
  return sign


\'\'\'获取_token参数\'\'\'
def getToken(brfilepath, city_code, uuid, page, cityname):
  ts = int(time.time() * 1000)
  with open(brfilepath, \'r\') as f:
    brs_dict = json.load(f)
  key = random.choice(list(brs_dict.keys()))
  info = brs_dict[key]
  _token = {
        \'rId\': 100900,
        \'ver\': \'1.0.6\',
        \'ts\': ts,
        \'cts\': ts + random.randint(100, 120),
        \'brVD\': info.get(\'barVD\'),
        \'brR\': [info.get(\'brR_one\'), info.get(\'brR_two\'), 24, 24],
        \'bI\': [\'https://{}.meituan.com/meishi/\'.format(city_code),\'\'],
        \'mT\': [],
        \'kT\': [],
        \'aT\': [],
        \'tT\': [],
        \'aM\': \'\',
        \'sign\': getSIGN(cityname, page, uuid, city_code)
      }
  return base64.b64encode(zlib.compress(str(_token).encode())).decode()

OK,知道了baseURL,获得了所有参数,我们就可以愉快地写主程序了:

\'\'\'主函数\'\'\'
def MTSpider(cityname, maxpages=50):
  data_pages = {}
  citynamesfilepath, uafilepath, uuidfilepath, brfilepath, savedatapath = initialProgram(cityname)
  base_url = \'https://{}.meituan.com/meishi/api/poi/getPoiList?\'.format(cityname2CODE(cityname, citynamesfilepath))
  try:
    for page in range(1, maxpages+1):
      print(\'[INFO]: Getting the data of page<%s>...\' % page)
      data_page = None
      while data_page is None:
        params = getGETPARAMS(cityname, page, citynamesfilepath, uuidfilepath, brfilepath)
        url = base_url + urlencode(params)
        headers = {
              \'Accept\': \'application/json\',
              \'Accept-Encoding\': \'gzip, deflate, br\',
              \'Accept-Language\': \'zh-CN,zh;q=0.9,en;q=0.8\',
              \'User-Agent\': getRandomUA(uafilepath),
              \'Connection\': \'keep-alive\',
              \'Host\': \'bj.meituan.com\',
              \'Referer\': \'https://{}.meituan.com/\'.format(cityname2CODE(cityname, citynamesfilepath))
            }
        res = requests.get(url, headers=headers)
        data_page = parsePage(json.loads(res.text))
        if data_page is None:
          time.sleep(random.random()+random.randint(3, 6))
          initialProgram(cityname)
      data_pages.update(data_page)
      if page != maxpages:
        time.sleep(random.random()+random.randint(3, 6))
  except:
    print(\'[Warning]: Something wrong...\')
  with open(savedatapath, \'wb\') as f:
    pickle.dump(data_pages, f)

其中解析返回的json数据的函数如下:

\'\'\'解析一页数据\'\'\'
def parsePage(data_page):
  data_parse = dict()
  infos = data_page.get(\'data\')
  if infos is None:
    return None
  else:
    infos = infos.get(\'poiInfos\')
    for info in infos:
      # 店名: 地址, 评论数量, 平均得分, 平均价格
      data_parse[info.get(\'title\')] = [info.get(\'address\'), info.get(\'allCommentNum\'), info.get(\'avgScore\'), info.get(\'avgPrice\')]
  return data_parse

一些细节和tricks就不细说了。

All Done****!完整源代码详见主页个人介绍获取相关文件。

数据可视化

按惯例随手可视化一波,以抓取的杭州美食数据为例吧(这里只爬取了前50页),省的重新爬了。

先来搞个词云玩玩吧,用爬到的所有商家名/商家地址来搞个词云:

图片

然后我们假设美食性价比的定义为(这个假设很可能是不合理,这里只是为了方便自己做下简单的数据分析随便假设了一下。):

性价比 = 评论数量 x 平均得分 / 平均价

于是我们可以得到"杭州性价比最高的十家店"为(只是个小例子,不供参考,如有雷同,不胜荣幸。):

![图片](https://upload-images.jianshu.io/upload_images/2539976-d09b929821c28814?imageMogr2/auto-orient/strip|imageView2/2/w/1240