分析万篇途牛旅游游记为你挑选最佳旅游景点

华为云博客 技术博客 26611 0

  随着经济发展，人们收入越来越高，可支配的资金和时间也逐渐变多，在基本的生活需求的到满足后，人们变追求生活质量的提升和精神上的满足。而增长见识、陶冶情操、锻炼身体的最好方式就是旅游度假，有调查显示，接近67%的人在时间允许的的情况下选择出去旅游，随着旅游人数的增长，交通工具、出行方式、目的地也呈现多样化的趋势。
  本文的目的就是分析当下旅游热门地区，以及人们旅游的特点及出行的时段等内容。话不多说，直接进入正题。

数据采集

分析主页面

打开途牛旅游网首页。

http://trips.tuniu.com/

在这里插入图片描述
如图所示为各驴友旅游后写的游记，游记分为三类，推荐游记、热门游记、最新发布。这里我们需要爬取推荐游记中的10000篇游记用作数据分析。
在这里插入图片描述
当我们点击下一页时，可以看到每次页面切换都发起了新的Ajax请求。因此，我们可以尝试通过该请求地址爬取到游记的数据。首先打开开发者工具，点击第二页即可获得如下图所示的数据包。


如下所示分别是二、三页的数据地址。

https://trips.tuniu.com/travels/index/ajax-list?sortType=1&page=2&limit=10&_ =1612599945466
https://trips.tuniu.com/travels/index/ajax-list?sortType=1&page=3&limit=10&_ =1612600065558

  • sortType：游记分类编号，1代表推荐游记，2代表热门游记，3代表最新发布
  • page：页数
  • limit：每页中显示游记的篇数
  • _：时间戳

将地址在新的标签页中打开，返回的数据如下图所示。

开发者工具中显示可能效果更好。

这些数据真正需要的可能并不多，我们先进入游记详情页，看看游记详情页的地址。

https://www.tuniu.com/trips/31327759
https://www.tuniu.com/trips/31327739

很容易发现末尾的数字其实就是json数据中的id。那么子页面的地址也能够得到了。

分析子页面

根据分析的需要我们需要爬去子页面的三个信息分别是tag（标签），img_count（游记图片数量），destination（目的地）。如下图所示。页面属于静态界面，减少了爬取的难度。

爬虫设计

先爬取主页面中各游记简介的json数据，将其保存为tuniu.csv文件，再读取tuniu.csv文件中的id，通过拼接网址前缀（https://www.tuniu.com/trips/）组成子页面的网址，根据分析需要爬取子页面中的部分信息，保存到tuniu_datail.csv中。之后将两个csv数据进行合并即可。两个爬取过程均采用异步协程的方式增加爬取效率。

主页面数据采集

获取url列表
根据指定的范围，格式化url并返回保存url的列表，实际爬取过程中不建议一次性添加大量url到协程的任务列表，asyncio库内部用到了select，而select就是系统打开文件数，它是有限度的，windows默认是509，所以设置范围时要注意这点，不然会报错。

def get_url_list():
    url_list = []
    url = 'https://trips.tuniu.com/travels/index/ajax-list?sortType=3&page=%d&limit=10&_=1611556898746'
    # 根据范围格式化url并添加到列表中
    for page in range(1, 510):
        url_list.append(url%page)
    return url_list

数据采集
爬虫采用aiohttp + asyncio协程，同时使用代理IP来爬取，防止被识别为爬虫。由于IP的稳定性有所差异，设置一个超时时间，如超时则更换IP继续采集数据。之后将获得数据进行格式化并进行保存。

async def get_page_text(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
    }
    async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:
        while True:
            try:
                async with session.get(url=url, proxy='http://' + choice(proxy_list), headers=headers, timeout=5) as response:
                    # 更改相应数据的编码格式
                    response.encoding = 'utf-8'
                    # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。
                    page_text = await response.text()
                    # 未成功获取数据时，更换ip继续请求
                    if response.status != 200:
                        continue
                    print(f"{url.split('&')[1]}爬取完成!")
                    break
            except Exception as e:
                print(e)
                # 捕获异常，继续请求
                continue
    return save_detail_url(page_text)

数据格式化并保存
将采集的数据有字符串格式转为字典，再获取字典中的值以附加的形式保存到csv中。

def save_detail_url(page_text):
    # 将字符串格式的数据转为字典类型
    page_data = json.loads(page_text)
    detail_data = page_data['data']['rows']
    # 新建DataFrame来保存爬取的数据
    df = pd.DataFrame(columns=['id', 'name', 'summary', 'stamp', 'authorId', 'viewCount', 'likeCount', 'commentCount',
                               'imgId', 'publishTime', 'picUrl', 'authorName', 'authorHeadImg', 'authorIndentity',
                               'bindOrder', 'bindBanner', 'bindSchedule', 'hasLike'])
    for dic in detail_data:
        df = df.append(dic, ignore_index=True)
        
    # 去除summary中的换行符回车符等
    df['summary'] = df['summary'].str.replace('\r|\n|\t', '')
    # 如果文件不存在那么要添加header行
    if os.path.exists(r'C:\Users\pc\Desktop\tuniu.csv'):
        df.to_csv(r'C:\Users\pc\Desktop\tuniu.csv', index=False, mode='a', header=False)
    else:
        df.to_csv(r'C:\Users\pc\Desktop\tuniu.csv', index=False, mode='a')

采集的数据如下：

子页面数据采集

获取url列表
通过pandas库读取csv文件中的id列，将其拼接成游记详情页面的url，并将保存url的列表返回。

def get_url_list(read_path):
    df = pd.read_csv(read_path, low_memory=False, usecols=['id'])
    df = df.loc[0: 500]
    url_list = ['https://www.tuniu.com/trips/%i'%i for i in df['id']]
    return url_list

数据采集
在数据采集时，相比于主页面，子页面爬取的过程中反爬措施更多。在爬取时要在headers中添加cookie值。

async def get_page_text(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
        'Cookie': 'neplayer_deviceId=16120634344253296156275; HMF_CI=bcce9332d2b9ad654e2de3cda4383332fee6e4bc57730da2288c76539701c04387; tuniuuser_citycode=MTQxNw%3D%3D; p_phone_400=4007-999-999; p_phone_level=0; p_global_phone=%2B0086-25-8685-9999; _tact=ZTNjYzQ5Y2UtMGRiMy0xY2QzLTMxNWEtMmQ1YzQ0MWNkMmQy; _tacau=MCw5ODJkYWY0OC1jNDYwLTc3ODAtNmY3MC04ZjBkODU1NGU3MmIs; _ga=GA1.2.194120396.1611556211; smidV2=2021012514301137c2546dfefe7711b76addc3377d7ca40008610cce160d3e0; MOBILE_APP_SETTING_STATE-154=CLOSE; fp_ver=4.7.3; BSFIT_EXPIRATION=1612832819982; BSFIT_OkLJUJ=FHNOSa2QFDxX_g-d4-wiXsdQQS_XjKJA; BSFIT_DEVICEID=b9eKNxUNAaSRSbfrtJQKurX94BOm9rxZ8FvTVxxoUU-MSHeoud_w4bce-oauwaorx08Nnem10WiY-8EmwKC6yZNPD2ijv6lrpV30iqzC7fyee7eZN5YoGLaAyvuqmhATKOMfWUXkYkQQQi8AGZylEDuhjEqr68g1; _pzfxuvpc=1611556211175%7C5103748229141693861%7C4%7C1611816871145%7C2%7C6618115722561418861%7C2876772887322526570; _uab_collina=161181687117053189409514; _tacz2=taccsr%3Dwww.baidu.com%7Ctacccn%3D%28referral%29%7Ctaccmd%3D%28none%29%7Ctaccct%3D%28none%29%7Ctaccrt%3D%28none%29; __utmz=1.1611986681.4.3.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; tuniu_partner=MTAwLDAsLDI2OWJhMjJhNDAxOWQyNDRjYzNkMGU4ODZkMjQ1NGFk; __utma=1.194120396.1611556211.1611986681.1612004163.5; HOY_TR=CXHKLJSAWYZOUTEV,4CF672AEBD358901,Lliyqrjcbmaovksn,0; connect.sid=s%3APZcTo6mDU72tC-3TA_0cxd98UHpBb--0.jY%2B%2FHxhPuGCX8nuNzmfoodJTMLpt1ZjzJxhthVkqBAo; Hm_lvt_51d49a7cda10d5dd86537755f081cc02=1611982935,1612016009,1612018196,1612417130; PcHomeVisit=1; _tacc=1; _taca=1611556211132.1612428857142.1612430938123.21; _tacb=MzdmYzRhY2EtNjk3MS01MDA2LTQ1YjAtOTMxMjMxYzk5MzFl; acw_tc=2f624a7316124332791424370e684319bf21a2537a9bd999650063206c6d3e; acw_sc__v2=601bc7886e09eb430080463a897e5136136c9343; Hm_lpvt_51d49a7cda10d5dd86537755f081cc02=1612433290; ssxmod_itna=QqfxgiqYqxBAKGHD8D2eLDkffg7c7DCqDQbT+7DlarexA5D8D6DQeGTruT=mr3m7ifhYaeY=DT+Qf8mO4Lpfephm3L/Wex0aDbqGkd+nY4GGUxBYDQxAYDGDDPDoZPD1D3qDk0xYPGWCqGfDDoDYR=nDitD4qDB+EdDKqGgCdwxY264M32M+jUx3j+3CqDMIeGXYDcQkQcao2NaiqGyAPGuRMtyAdbDCg5ASY+jYkDaWA+bGAhzYTmtRBAFlE4TSA5bjKq+gIeDG8+oSzDxD; ssxmod_itna2=QqfxgiqYqxBAKGHD8D2eLDkffg7c7DCqDQbT+D6pRr40Huiq03qaau6UCcmgIMImOKxPuRQ75ExuDn+6O3RjqHTqgWAng6CTvBlM=HqkF2HPrUYjZlnfl7BRHOwTYBfE2RgiGX3T=lqjU0wEu8i0ZiqNZ73wn8+jc4jQRU82IAoN4EkI9C20szg6CiljCbuv0UMoNgevqdnc3ijcu7ZLuGnA7k3HtgPBOL=B3IGrvQ+FK5BflGu+ElraV7fQsRfjXjfIfy4vm3uSL4vvQoRNZAOGWD7jHD7=DeMPbikGr=TexD=='
    }
    async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False), trust_env=True) as session:
        while True:
            try:
                async with session.get(url=url, headers=headers, timeout=5) as response:
                    # 更改相应数据的编码格式
                    response.encoding = 'utf-8'
                    # 遇到IO请求挂起当前任务，等IO操作完成执行之后的代码，当协程挂起时，事件循环可以去执行其他任务。
                    page_text = await response.text()
                    # 未成功获取数据时，更换ip继续请求
                    if response.status != 200:
                        print(response.status)
                        continue
                    id = url.split('/')[-1]
                    print(f"{url.split('/')[-1]}爬取完成!")
                    break
            except Exception as e:
                # 捕获异常，继续请求
                continue
    return save_to_csv(page_text, id)

数据格式化并保存
使用xpath定位标签的时候要注意，可以把页面数据保存到本地，再进行定位，因为实际爬取得页面数据和原页面本身是有区别的。如定位tag（游记标签）时，原页面的定位该标签xpath表达式和实际爬取时的并不一样，如下图。


定位旅游地点时也需注意，直接在原页面copy的xpath表达式，在运行时获取的内容是空的。下图是原页面定位到的标签位置。

在本地保存的页面数据中查找div标签的class属性值“poi-title”，发现为空。于是只好在获得的页面源码中直接查询地点名，尝试通过定位别的标签来获得路由地点信息。下图为定位到的地点标签。

数据格式化及保存代码：

def save_to_csv(page_text, id):
    tree = etree.HTML(page_text)
    # with open('tuniuDetail.html', 'w', encoding='utf-8')as fp:
    #     fp.write(page_text)
    tag_div_list = tree.xpath('//*[@id="vueApp"]/div[1]/div[1]/div')
    tag_list = []
    # 获取div中的游记标签信息
    for div in tag_div_list:
        tag_list.append(div.xpath('./text()')[0])
    # 统计图片数量
    img_count = len(tree.xpath('//div[@class="sdk-trips-image"]'))
    pattern = re.compile('(?<="poiIds":\[)(.*?)}')
    destination_data = tree.xpath('/html/body/script[4]/text() | /html/body/script[3]/text()')
    poiIds = pattern.search(destination_data[0]).group()
    # 判断poiIds中是否有值，否则置空
    if ']' in poiIds:
        poiIds = '{"name": ""}'

    destination = eval(poiIds)['name']
    df = pd.DataFrame(columns=['id', 'tag', 'img_count', 'destination'])
    df = df.append({'id': id, 'tag': ''.join(tag_list), 'img_count': img_count, 'destination': destination}, ignore_index=True)
    if os.path.exists(r'C:\Users\pc\Desktop\tuniu_detail.csv'):
        df.to_csv(r'C:\Users\pc\Desktop\tuniu_detail.csv', index=False, mode='a', header=False)
    else:
        df.to_csv(r'C:\Users\pc\Desktop\tuniu_detail.csv', index=False, mode='a')

采集的子页面数据如下：

合并数据集

将tuniu.csv文件和tuniu_detail.csv文件按照id列进行合并。

def merge():
    df1 = pd.read_csv(r'C:\Users\pc\Desktop\tuniu_test.csv')
    df2 = pd.read_csv(r'C:\Users\pc\Desktop\tuniu_detail.csv')
    df1['summary'] = df1['summary'].str.replace('\r|\n|\t', '')
    merge_df = pd.merge(df1, df2, on='id', how="inner")
    merge_df.to_csv(r'C:\Users\pc\Desktop\tuniu_info.csv', index=False)

合并后数据：

数据分析及可视化

旅游热门地点TOP10

我们通过分析采集的数据中destination信息，来看看驴友们普遍去了哪些地方。

# 设置背景及中文显示
sns.set_style('darkgrid',{'font.sans-serif': ['simhei','FangSong']})

def tuniu_destination(read_path):
    df = pd.read_csv(read_path, low_memory=False, usecols=['destination'])
    # 统计出现次数最多的十个地点和出现的次数
    des_count = df['destination'].value_counts().head(10)
    des, count = list(des_count.index), list(des_count.values)

    new_df = pd.DataFrame(columns=['destination', 'count'])
    new_df['destination'], new_df['count'] = des, count

    sns_plot = sns.barplot(x='destination', y='count', palette='ch:.25', data=new_df)
    plt.xlabel('地点')
    plt.ylabel('次数')
    plt.show()
    # 保存图片
    # sns_plot.figure.savefig(r'C:\Users\pc\Desktop\des_count.jpg', dpi=1000)

从图中可以看到，前三名三亚、丽江、成都应该都是我们耳熟能详的一些旅游地点，每年都会有很多外地游客到来，而这些游客在一定程度上促进当地经济的发展，同时也不断的吸引着更多驴友的到访。

驴友出行特点

根据获取的游记标签信息，我们分析一下驴友们出行的一些特点。

def tuniu_tag(read_path):
    df = pd.read_csv(read_path, low_memory=False, usecols=['tag'])
    all_tag = []
    for lst in df['tag']:
        tag_list = lst.split('#')
        for i in range(1, len(tag_list)):
            all_tag.append(tag_list[i])
    tag_str = ' '.join(all_tag)
    
    # 绘制词云图
    word = WordCloud(max_words=100,
                     max_font_size=200,
                     width=1000,
                     height=800,
                     font_path='C:\Windows\Fonts\simhei.ttf'
                     ).generate(tag_str)
    word.to_file(r"C:\Users\pc\Desktop\tag.jpg")

通过上图中的标签词云图，我们可以看到，出现次数最多有自驾游、人文游、自然奇观、摄影、美食、客栈民宿等，而这些标签，恰恰是大多数驴友出行的特点，而近年在民宿方面，很多乡村也加入其中，使驴友在旅游的同时也可以体会当地的风土人情。

出行季节

根据游记发布时间，大致推测驴友的出行时间，看看出行时间有什么特点。

def tuniu_season(read_path):
    df = pd.read_csv(read_path, low_memory=False, usecols=['publishTime'])
    season_dic = {'春季': 0, '夏季':0, '秋季': 0, '冬季': 0}
    for publishTime in df['publishTime']:
        time = publishTime.split('-')[1]
        if time in ['01','02','03']:
            season_dic['春季'] += 1
        elif time in ['04','05','06']:
            season_dic['夏季'] += 1
        elif time in ['07','08','09']:
            season_dic['秋季'] += 1
        elif time in ['10','11','12']:
            season_dic['冬季'] += 1

    # 绘制饼图
    colors = ['#81ecec','#ff7675','#6c5ce7', '#F5F6CE']
    plt.pie(list(season_dic.values()), labels=list(season_dic.keys()), autopct = '%.1f%%', colors = colors, startangle = 90, counterclock = False)
    plt.legend(loc='upper right', bbox_to_anchor=(1.2, 0.2))
    plt.savefig(r'C:/Users/pc/Desktop/season.jpg', dpi=1000)
    plt.show()

在这里插入图片描述

从图中可以看出，春秋季出行人数大致持平，处于平均水平，冬季最多，夏季最少。

热门地区出行时间

考虑到各个景点处于不同地区，气候可能有所差异。接下来我们通过三个热门地区（三亚、丽江、成都）的各个月份出行人数来分析一下，各地区出行人数与时间的关系。

def des_season(read_path):
    df = pd.read_csv(read_path, low_memory=False, usecols=['destination', 'publishTime'])
    new_df = pd.DataFrame(columns=['des', 'month'])
    dic = {'三亚': 0, '丽江': 0, '成都': 0}
    for i in range(len(df)):
        if df['destination'][i] in ['三亚', '丽江', '成都']:
            if dic[df['destination'][i]] < 200:
                dic[df['destination'][i]] += 1
                new_df = new_df.append({'des': df['destination'][i], 'month': int(df['publishTime'][i].split('-')[1])}, ignore_index=True)
    s1 = new_df.loc[new_df['des']=='三亚']['month'].value_counts()
    s1.sort_index(inplace=True)
    s2 = new_df.loc[new_df['des'] == '丽江']['month'].value_counts()
    s2.sort_index(inplace=True)
    s3 = new_df.loc[new_df['des'] == '成都']['month'].value_counts()
    s3.sort_index(inplace=True)
    df_1 = pd.DataFrame({'des': '三亚', 'month': s1.index, 'count': s1.values})
    df_2 = pd.DataFrame({'des': '丽江', 'month': s2.index, 'count': s2.values})
    df_3 = pd.DataFrame({'des': '成都', 'month': s3.index, 'count': s3.values})
	# 合并三个地区的DataFrame
    res_df = pd.concat([df_1, df_2, df_3], ignore_index=True)
	# 绘制线图
    fig = sns.relplot(x=res_df['month'], y=res_df['count'], hue=res_df['des'], height=3, kind='line', estimator=None, data=new_df)
    plt.show()
    fig.savefig(r'C:\Users\pc\Desktop\des_season.jpg', dpi=1000)

观察上图可知，这三个热门城市的出行时间还是有部分差异的。三亚十二月和一月旅游人数较多，丽江和成都的出行峰值都出现在11月。根据这些信息可以根据情况合理安排出行时间。

结语
  这次感觉最浪费时间的还是子页面数据的获取，开始时使用的是代理IP爬取，中途有事耽搁了一段时间，过几天再运行时，发现只要使用代理IP就会被检测到，返回的数据总是错误的，迫不得已只能放弃使用代理，使用本机IP爬取，效率上还是要低一些。

对于刚入门 Python 或是想要入门 Python 的小伙伴，可以通微信搜Python新视野，一起交流学习，都是从新手走过来的，有时候一个简单的问题卡很久，但可能别人的一点拨就会恍然大悟，由衷的希望大家能够共同进步。
（完）