因为专业 · 所以简单

阿布云

你所需要的，不仅仅是一个好用的代理。

用PHP蜘蛛做旅游数据分析

发表于 2018-03-16

声明：
采集程序只做技术研究使用，切不可做出格的事以免惹来麻烦
首先感谢广大网友的支持，现将源代码公开，地址如下：
https://github.com/owner888/phpspider
github地址的demo目录下的 mafengwo.php 和 mafengwo.sql
本程序所采集的数据都是马蜂窝上面公开的数据，并未触及隐私内容，也不公开数据库，广大网友无需担心。
你们有什么想要的功能可以在下面留言给我，我会收集一下给大家做出来。也可以加入Q群 PHP爬虫研究中心(147824717)一起讨论。
转载请注明本文地址，及作者seatle@foxmail.com

随着物质的提高，旅游渐渐成为人们的焦点，火热的国庆刚刚过去，乘着这股余热，我想很多人都想知道，大家一般会去哪里玩呢，于是我花了10分钟写了一个采集马蜂窝游记的小程序，当然速度能有这么快，完全依赖于PHP著名爬虫框架phpspider。

国际惯例，我们先来看看代码怎么写，算作抛砖引玉吧 ^_^

马蜂窝不同于常规网站，因为并发量高并且某些数据需要实时，比如观看人数，点赞人数，所以网站多处使用了Ajax，而Ajax对于普通采集者来说，是个比较大的问题。

观察了一下马蜂窝网站，最终确定了采集路线：

获取热门城市 -> 获取城市下的游记列表 -> 获取游记内容 -> 提取游记内容的游记标题、城市、出发时间等，接下来我们用三个步骤来实现它。。。

1、获取热门城市

http://www.mafengwo.cn/mdd/citylist/21536.html

首先我们要采集下这些热门城市

当我们点击页数的时候，发现他的数据是Ajax加载的，末页是297，而且使用的是POST方法

提交的参数如下：

很明显这个page就是页数了，这里就有个问题，phpspider框架是有 URL 去重机制的，POST的话URL只有一个，但是query_string是不影响POST数据的，我们可以在后面加上 ?page=1|2|3...，所以我们代码可以这么写：

设置列表页规则：

'list_url_regexes' => array(
"http://www.mafengwo.cn/mdd/base/list/pagedata_citylist\?page=\d+",
)

在入口回调函数入口所有城市列表：

$spider->on_scan_page = function($page, $content, $phpspider)
{
// 上面Ajax分页的末页是297页
for ($i = 0; $i <= 297; $i++)
{
// 全国热点城市
$url = "http://www.mafengwo.cn/mdd/base/list/pagedata_citylist?page={$i}";
$options = array(
'url_type' => $url,
'method' => 'post',
'fields' => array(
'mddid'=>21536,
'page'=>$i,
)
);
// 热点城市列表页URL入队列
$phpspider->add_url($url, $options);
}
};

2、获取热门城市下的游记列表

点击进入一个城市后，我们可以看到他下面的游记列表

当然和上面一样，也是Ajax加载的，我们可以打开chrome的开发者工具，点击Network，然后随意点击一个分页得到Ajax的URL：

和城市列表一样，也是POST，参数如下：

很明显page就是页数了，当然我们直接通过POST方式访问Ajax地址：

http://www.mafengwo.cn/gonglve/ajax.php?act=get_t...

是直接报错的，他需要来路，综合以上，我们代码可以这么来写：

首先我们要在 on_start 回调函数里面加上来路URL

$spider->on_start = function($phpspider)
{
$phpspider->add_header('Referer','http://www.mafengwo.cn/mdd/citylist/21536.html');
};

和上面获取城市列表一样，设置列表匹配规则：

'list_url_regexes' => array(
"http://www.mafengwo.cn/gonglve/ajax.php\?act=get_travellist\&mddid=\d+",
)

然后在 on_list_page 回调里面判断如果是第一页就获取总页数，然后循环入队列：

preg_match('#<span class="count">共<span>(.*?)</span>页#', $data_page, $out);
for ($i = 0; $i < $out[1]; $i++)
{
$v = $page['request']['fields']['mddid'];
$url = "http://www.mafengwo.cn/gonglve/ajax.php?act=get_travellist&mddid={$v}&page={$i}";
$options = array(
'url_type' => $url,
'method' => 'post',
'fields' => array(
'mddid'=>$v,
'pageid'=>'mdd_index',
'sort'=>1,
'cost'=>0,
'days'=>0,
'month'=>0,
'tagid'=>0,
'page'=>$i,
)
);
// 游记列表页URL入队列
$phpspider->add_url($url, $options);
}

通过上面两个步骤，我们就把所有热门城市下的游记列表都放入到了队列，接下来我们进行第三步，从这些列表里面获取内容页URL，然后提取内容。

3、获取热门城市下的游记列表

在 on_list_page 方法里面会得到列表页的内容，从这些内容里面我们可以提取内容页的URL

// 获取内容页
preg_match_all('#<a href="/i/(.*?).html" target="_blank">#', $html, $out);
if (!empty($out[1]))
{
foreach ($out[1] as $v)
{
$url = "http://www.mafengwo.cn/i/{$v}.html";
// 内容页URL入队列
$phpspider->add_url($url);
}
}

接下来我们来配置field提取内容页字段

'fields' => array(
// 标题
array(
'name' => "name",
'selector' => "//h1[contains(@class,'headtext')]",
'required' => true,
),
// 分类
array(
'name' => "city",
'selector' => "//div[contains(@class,'relation_mdd')]//a",
'required' => true,
),
// 出发时间
array(
'name' => "date",
'selector' => "//li[contains(@class,'time')]",
'required' => true,
),
)

设计一张数据表：

当然我们还可以获取游记的浏览量、收藏、分享、置顶、游玩金额等等，太多了，方法类似。

到此程序就设计完了，总共不到200行的代码，得益于phpspider自带了多进程采集功能，数据很快就采集完成，总共7W多点。

得到这些数据以后，我们能干什么呢？！

Top10 旅游城市分别是

可以看得出，云南是一个好地方，也是博主日夜思念的地方啊。。。

五一和国庆期间旅游城市占比

可以看得出，五一的时候大家喜欢去西藏玩，国庆却更青睐青岛，好吧，这两个地方博主都没去过，表示好受伤~_~!

接下来我们来看看这一年来北京和杭州的旅游旺季

可以看出七八月份去北京的人会比较多，这个时候北京是最爽的，不热也不冷，博主就曾经有有一年8月份去的北京，舒服死了^_^

我们再来看看杭州

看得出3月底到4月中旬是杭州适合游玩的季节啊，那时候春暖花开，天气也不错，听说太子湾公园每年那时候都会有樱花和郁金花展，非常美，艾玛旅游病又犯了~_~!

好吧文章到此就结束了，其实还想分析更多，比如采集热门路线啊，热门景点啊，热门图集啊，还有旅游路线的价位啊，最终形成一个旅游的APP，如果你们有好的想法，也可以来告诉我，我把他采集下来，供大家参考 ^_^

最后，对源代码感兴趣的同学可以上github搜索phpspider哈 ^_^

爬虫,DDOC,分布式动态代理IP,高质量IP代理,全国高匿代理ip,爬虫代理,私密代理IP,国内极速代理IP,优质代理IP

上一篇

新闻中心

下一篇